Ha a PDF helyesnek tűnik, de a sima szövegszerkesztőbe történő beillesztés különböző karaktereket eredményez, ellenőrizze az okot a betűtípus megváltoztatása vagy a OCR futtatása előtt. Az oldalra rajzolt alakzat és az általa képviselt karakter közötti leképezés hibás lehet. Ezeknek a PDF szöveghibáknak a kijavítása a folyamat azon részének azonosításával kezdődik, amelyik sikertelen volt.
Miért nézhet ki jól a szöveg, de miért nem másol?
A PDF szövegtartalom a Unicode szöveg helyett betűtípus-specifikus forráskarakterkódokat tárolhat. A PDF olvasó a betűtípust és a kódolási információkat használja a karakterjelek megkeresésére és megrajzolására. A másoláshoz ezen kódok értelmes karakterekké történő fordítása is szükséges.
A A betű megrajzolása ezért nem garantálja, hogy az extrakció visszaadja a A-t. A ToUnicode egy leképezés egy betűtípusszótárban, amely a PDF forráskarakterkódokat Unicode karaktersorozatokkal társítja. A szöveg megjelenítése és kibontása közötti különbséget a Adobe PDF Referencia, 5.9. szakasz írja le.
Mit jelent valójában a betűtípus-leképezés?
Ez a három fogalom összefügg, de nem cserélhetők fel:
| Térképezés | Főszerep |
|---|---|
A cmap tábla egy betűtípusfájlban | Leképezi a karakterkódokat karakterjel-indexekre; A Unicode altáblázatok Unicode kódokat használnak |
| PDF kódolás; az összetett betűtípusok használhatnak egy Encoding CMap-t | Értelmezi a PDF forráskarakterkódokat, és segít megtalálni a rajzolandó karakterjelet |
PDF ToUnicode | Leképezi a PDF forráskarakterkódokat a Unicode szövegre másolás és kinyerés céljából |
For the first kind, see the OpenType cmap specifikáció. Az itt tárgyalt javítás a harmadikat célozza meg; nem építi újra a betűtípusfájlt és nem cseréli ki az oldalon lévő karakterjeleket.
A hiányzó ToUnicode leképezés nem mindig okoz elrontott szöveget. A PDF olvasó néha képes normál kódolásból, ismert karakterjelekből vagy karaktergyűjteményből szöveget állítani. Fordítva, létezhet leképezési tábla, és továbbra is tartalmazhat helytelen társításokat.
Először ellenőrizze, hogy a leképezés okozza-e a problémát
Másoljon egy rövid részt egy egyszerű szövegszerkesztőbe, és hasonlítsa össze az eredeti oldallal:
| Tünet | Mit kell először ellenőrizni |
|---|---|
| Az oldal helyesnek tűnik, de a másolt karakterek következetesen más karakterekké válnak | Hiányzó vagy helytelen karakterleképezés |
| Csak képet választhat ki, szöveget nem | Hiányzó szövegréteg vagy körvonalakká konvertált szöveg; vegye figyelembe a forrásfájlt vagy a OCR-t |
| Szöveg kijelölhető a beolvasott oldalon, de nem egyezik a képpel | A felismerés eredménye a OCR szövegréteg |
| Az egyes karakterek helyesek, de az oszlopok vagy táblázatok nem megfelelőek | Olvasási sorrend és elrendezés kivonat |
| Maga az oldal hiányzó karaktereket vagy mezőket tartalmaz | Betűtípus-források, karakterjel-lefedettség vagy megjelenítési kódolás |
Ezek hibaelhárítási nyomok, nem pusztán a megjelenésen alapuló diagnózisok. A betűtípus beágyazása és a helyes másolás szintén külön gondot jelent; lásd: PDF betűtípus beágyazás és részhalmazok.
Hogyan javíthatja ki a másolt szöveget az eredeti karakterjelek használatával?
Tegyük fel, hogy a <0001> forráskód egy adott betűtípusban A-t rajzol, de helytelenül képezi le a 错-t (U+9519). Ez egy szemléltető leképezési részlet, nem egy teljes CMap fájl:
Before: <0001> <9519>
After: <0001> <0041>
A <0001> egy PDF forráskód ebben a betűtípusban, nem pedig a Unicode U+0001 karakter. A U+0041-re való leképezés meghatározza, hogy a jelkép a A-t képviseli. A ligature-nek (több betű osztozik egy karakterjelen) előfordulhat, hogy több Unicode karakterhez is hozzá kell rendelnie, például fi.
Miután meggyőződött arról, hogy a leképezés javítása megfelelő, használja a PDF szövegjavító eszköz-t:
- Válassza ki a PDF értéket, majd válassza ki a javítandó betűtípust.
- Hasonlítsa össze az eredeti karakterjeleket a rácsban, és írja be a megfelelő szöveget az egyes karakterjelek alá.
- Exportálja a megjavított PDF-t, és őrizze meg az eredetit összehasonlítás céljából.
A változás mindenhol érvényes, ahol ugyanazt a betűtípust és forráskódot használják. Ellenőrizze a különböző betűtípusokat külön, még akkor is, ha a nevük egyezik. Ha a OCR csak egy szót hibásan felismert, egy karakter globális újraleképezése a már helyes szöveget is károsíthatja.
Hogyan igazolja a javítást?
Nyissa meg újra az exportált fájlt, és másolja ki és keresse meg a minta szövegét a cél PDF olvasóban. Ellenőrizze a nem szerkesztett kód és betűtípus egyéb előfordulásait. Hasonlítsa össze az oldal megjelenését, és ellenőrizze az írásjeleket, a ligatúrákat és a számokat, ne csak az első helytelen karaktert tesztelje.
Egyes PDF-fájlok ActualText-t is használnak a helyettesítő szöveg biztosítására, amelyet a támogató szoftverek preferálhatnak. Ha a ToUnicode módosítása nem oldja meg a problémát, ellenőrizze ezt a felülbírálást. A jelenlegi eszköz figyelmeztet a ActualText-re, de nem szerkeszti. Lásd: PDF Az asszociáció magyarázata.
OCR hibák esetén javítsa ki vagy ismerje fel újra a szövegréteget. Ha rendelkezik az eredeti elrendezési fájllal, fontolja meg annak javítását és egy új PDF exportálását. Más megközelítést igényelnek azok a fájlok, amelyek nem nyílnak meg, vagy nem okoznak szerkezeti hibákat; lásd: amikor a PDF formátum javítása megfelelő.
Miután azonosította a betűtípus-karakterleképezési problémát, javítsa ki a helyi PDF szövegjavító eszköz segítségével. A fájlok feltöltés nélkül kerülnek feldolgozásra a böngészőben. Az exportálás után is ellenőriznie kell a másolt szöveget és az oldal megjelenését.
