Si un PDF parece correcto pero al pegarlo en un editor de texto sin formato se producen caracteres diferentes, verifique la causa antes de cambiar las fuentes o ejecutar OCR. La correlación entre la forma dibujada en la página y el carácter que representa puede ser incorrecta. La corrección de estos errores de texto PDF comienza con identificar qué parte de ese proceso falló.
¿Por qué el texto puede verse bien pero copiarse incorrectamente?
El contenido de texto PDF puede almacenar códigos de caracteres fuente específicos de fuentes en lugar de texto Unicode. Un lector PDF utiliza la fuente y la información de codificación para localizar y dibujar un glifo. Copiar también requiere traducir esos códigos en caracteres significativos.
Por lo tanto, dibujar la letra A no garantiza que la extracción devuelva A. ToUnicode es una asignación en un diccionario de fuentes que asocia códigos de caracteres fuente PDF con secuencias de caracteres Unicode. Esta distinción entre mostrar y extraer texto se describe en Referencia de Adobe PDF, sección 5.9.
¿Qué significa realmente el mapeo de fuentes?
Estos tres conceptos están relacionados, pero no son intercambiables:
| Cartografía | papel principal |
|---|---|
La tabla cmap dentro de un archivo de fuente | Asigna códigos de caracteres a índices de glifos; Las subtablas Unicode utilizan códigos Unicode |
| Codificación PDF; las fuentes compuestas pueden utilizar un Encoding CMap | Interpreta los códigos de caracteres fuente PDF y ayuda a localizar el glifo a dibujar. |
PDF ToUnicode | Asigna códigos de caracteres fuente PDF al texto Unicode para copiar y extraer |
Para el primer tipo, consulte Especificación OpenType cmap. La reparación que se analiza aquí apunta al tercero; no reconstruye el archivo de fuente ni reemplaza los glifos de la página.
Una asignación ToUnicode faltante no siempre causa texto confuso. Un lector PDF a veces puede recuperar texto de una codificación estándar, nombres de glifos conocidos o una colección de caracteres. Por el contrario, puede existir una tabla de mapeo y aún contener asociaciones incorrectas.
Primero verifique si el mapeo es el problema.
Copie un pasaje breve en un editor de texto plano y compárelo con la página original:
| Síntoma | Qué comprobar primero |
|---|---|
| La página parece correcta, pero los caracteres copiados se convierten constantemente en otros caracteres. | Asignaciones de caracteres faltantes o incorrectas |
| Puedes seleccionar solo una imagen, no texto. | Una capa de texto faltante o texto convertido en contornos; considere el archivo fuente o OCR |
| Se puede seleccionar texto en una página escaneada, pero no coincide con la imagen | Resultados del reconocimiento en la capa de texto OCR |
| Los caracteres individuales son correctos, pero las columnas o tablas están desordenadas | Orden de lectura y extracción de diseño. |
| La página en sí contiene caracteres o cuadros faltantes. | Recursos de fuentes, cobertura de glifos o codificación de visualización |
Estas son pistas para solucionar problemas, no diagnósticos basados únicamente en la apariencia. La incrustación de fuentes y la copia correcta también son preocupaciones separadas; ver Incrustación de fuentes y subconjuntos de PDF.
¿Cómo se puede corregir el texto copiado utilizando los glifos originales?
Supongamos que el código fuente <0001> en una fuente particular dibuja A pero se asigna incorrectamente a 错 (U+9519). Este es un fragmento de mapeo ilustrativo, no un archivo CMap completo:
Before: <0001> <9519>
After: <0001> <0041>
<0001> es un código fuente PDF en esa fuente, no el carácter Unicode U+0001. Al asignarlo a U+0041 se especifica que el glifo representa A. Es posible que también sea necesario asignar un ligature (varias letras que comparten un glifo) a varios caracteres Unicode, como fi.
Una vez que haya confirmado que la reparación del mapeo es apropiada, use Herramienta de reparación de texto PDF:
- Seleccione PDF, luego seleccione la fuente a corregir.
- Compare los glifos originales en la cuadrícula e ingrese el texto correcto debajo de cada glifo.
- Exporte el PDF reparado y conserve el original para compararlo.
Se aplica un cambio en todos los lugares donde se utiliza la misma fuente y código fuente. Verifique las distintas fuentes por separado, incluso cuando sus nombres coincidan. Si OCR reconoció mal solo una palabra, reasignar globalmente un carácter también puede dañar el texto que ya era correcto.
¿Cómo se verifica la reparación?
Vuelva a abrir el archivo exportado y copie y busque texto de muestra en su lector PDF de destino. Verifique otras apariciones del mismo código y fuentes que no editó. Compare la apariencia de la página e inspeccione la puntuación, las ligaduras y los números, en lugar de probar sólo el primer carácter incorrecto.
Algunos archivos PDF también utilizan ActualText para proporcionar texto de reemplazo, que el software de soporte puede preferir. Si cambiar ToUnicode no resuelve el problema, verifique esta anulación. La herramienta actual advierte sobre ActualText pero no lo edita. Vea el Explicación de la asociación PDF.
Para errores OCR, corrija o reconozca la capa de texto nuevamente. Si tiene el archivo de diseño original, considere corregirlo y exportar un nuevo PDF. Los archivos que no se abren ni provocan errores estructurales necesitan un enfoque diferente; ver cuando la reparación del formato PDF es apropiada.
Una vez que haya identificado un problema de asignación de caracteres de fuente, corríjalo con herramienta de reparación de texto local PDF. Los archivos se procesan en su navegador sin cargarlos. Aún debes verificar el texto copiado y la apariencia de la página después de exportar.
