แก้ไขข้อความ PDF ที่อ่านไม่ออก: การแมปแบบอักษรและอธิบาย ToUnicode

หาก PDF ดูถูกต้อง แต่การวางลงในโปรแกรมแก้ไขข้อความธรรมดาทำให้เกิดอักขระที่แตกต่างกัน ให้ตรวจสอบสาเหตุก่อนที่จะเปลี่ยนแบบอักษรหรือเรียกใช้ OCR การแมประหว่างรูปร่างที่วาดบนเพจและอักขระที่มันแสดงอาจผิด การแก้ไขข้อผิดพลาดข้อความ PDF เริ่มต้นด้วยการระบุส่วนใดของกระบวนการที่ล้มเหลว

เหตุใดข้อความจึงดูถูกต้องแต่คัดลอกไม่ถูกต้อง

เนื้อหาข้อความ PDF สามารถจัดเก็บซอร์สโค้ดแบบอักษรเฉพาะแบบอักษรได้มากกว่าข้อความ Unicode เครื่องอ่าน PDF ใช้แบบอักษรและข้อมูลการเข้ารหัสเพื่อค้นหาและวาดสัญลักษณ์ การคัดลอกยังต้องมีการแปลรหัสเหล่านั้นให้เป็นอักขระที่มีความหมายด้วย

ดังนั้นการวาดตัวอักษร A จึงไม่รับประกันว่าการแยกจะส่งคืน A ToUnicode คือการแมปในพจนานุกรมแบบอักษรที่เชื่อมโยงซอร์สโค้ด PDF กับลำดับอักขระ Unicode ความแตกต่างระหว่างการแสดงและการแยกข้อความนี้มีอธิบายไว้ใน การอ้างอิง Adobe PDF, ส่วน 5.9

การทำแผนที่แบบอักษรหมายถึงอะไรจริงๆ

แนวคิดทั้งสามนี้เกี่ยวข้องกัน แต่ไม่สามารถใช้แทนกันได้:

สำหรับประเภทแรก โปรดดูที่ ข้อมูลจำเพาะ OpenType cmap การซ่อมแซมที่กล่าวถึงในที่นี้มีเป้าหมายที่สาม มันไม่ได้สร้างไฟล์ฟอนต์ใหม่หรือแทนที่สัญลักษณ์บนหน้า

การแมป ToUnicode ที่หายไปไม่ได้ทำให้ข้อความอ่านไม่ออกเสมอไป เครื่องอ่าน PDF บางครั้งสามารถกู้คืนข้อความจากการเข้ารหัสมาตรฐาน ชื่อสัญลักษณ์ที่รู้จัก หรือคอลเลกชั่นอักขระ ในทางกลับกัน ตารางการแม็ปสามารถมีอยู่ได้และยังคงมีการเชื่อมโยงที่ไม่ถูกต้อง

ขั้นแรกให้ตรวจสอบว่าการแมปเป็นปัญหาหรือไม่

คัดลอกข้อความสั้นๆ ลงในโปรแกรมแก้ไขข้อความธรรมดาและเปรียบเทียบกับหน้าต้นฉบับ:

สิ่งเหล่านี้เป็นเบาะแสในการแก้ไขปัญหา ไม่ใช่การวินิจฉัยตามลักษณะภายนอกเพียงอย่างเดียว การฝังแบบอักษรและการคัดลอกที่ถูกต้องก็เป็นข้อกังวลที่แยกจากกันเช่นกัน ดูที่ การฝังแบบอักษร PDF และชุดย่อย

คุณจะแก้ไขข้อความที่คัดลอกโดยใช้ร่ายมนตร์ต้นฉบับได้อย่างไร

สมมติว่าซอร์สโค้ด <0001> ในแบบอักษรเฉพาะดึง A แต่จับคู่กับ 错 (U+9519) อย่างไม่ถูกต้อง นี่คือส่วนการแมปที่มีภาพประกอบ ไม่ใช่ไฟล์ CMap ที่สมบูรณ์:

Before: <0001> <9519>
After:  <0001> <0041>

<0001> เป็นซอร์สโค้ด PDF ในแบบอักษรนั้น ไม่ใช่อักขระ Unicode U+0001 การแมปกับ U+0041 ระบุว่าสัญลักษณ์แสดงถึง A ligature (ตัวอักษรหลายตัวที่ใช้สัญลักษณ์เดียวกัน) อาจจำเป็นต้องแมปกับอักขระ Unicode หลายตัว เช่น fi

เมื่อคุณยืนยันว่าการซ่อมแซมการแมปมีความเหมาะสม ให้ใช้ เครื่องมือซ่อมแซมข้อความ PDF:

1. เลือก PDF จากนั้นเลือกแบบอักษรที่จะแก้ไข
2. เปรียบเทียบสัญลักษณ์ดั้งเดิมในตารางและป้อนข้อความที่ถูกต้องใต้สัญลักษณ์แต่ละอัน
3. ส่งออก PDF ที่ซ่อมแซมแล้ว และเก็บต้นฉบับไว้เพื่อการเปรียบเทียบ

การเปลี่ยนแปลงจะมีผลทุกที่ที่ใช้แบบอักษรและซอร์สโค้ดเดียวกัน ตรวจสอบแบบอักษรที่แตกต่างกันแยกกัน แม้ว่าชื่อจะตรงกันก็ตาม หาก OCR จำคำเพียงคำเดียวผิด การแมปอักขระใหม่ทั่วโลกอาจทำให้ข้อความที่ถูกต้องอยู่แล้วเสียหายได้

คุณจะตรวจสอบการซ่อมแซมได้อย่างไร?

เปิดไฟล์ที่ส่งออกอีกครั้ง และคัดลอกและค้นหาข้อความตัวอย่างในโปรแกรมอ่าน PDF เป้าหมายของคุณ ตรวจสอบเหตุการณ์อื่นๆ ของโค้ดและแบบอักษรเดียวกันที่คุณไม่ได้แก้ไข เปรียบเทียบลักษณะที่ปรากฏของหน้าและตรวจสอบเครื่องหมายวรรคตอน ตัวอักษรควบ และตัวเลข แทนที่จะทดสอบเฉพาะอักขระตัวแรกที่ไม่ถูกต้อง

PDF บางไฟล์ยังใช้ ActualText ในการจัดหาข้อความทดแทน ซึ่งอาจต้องการซอฟต์แวร์ที่รองรับ หากการเปลี่ยนแปลง ToUnicode ไม่สามารถแก้ไขปัญหาได้ ให้ตรวจสอบการแทนที่นี้ เครื่องมือปัจจุบันเตือนเกี่ยวกับ ActualText แต่ไม่ได้แก้ไข ดู คำอธิบายการเชื่อมโยง PDF

สำหรับข้อผิดพลาด OCR ให้แก้ไขหรือจดจำเลเยอร์ข้อความอีกครั้ง หากคุณมีไฟล์เลย์เอาต์ดั้งเดิม ให้ลองแก้ไขและส่งออก PDF ใหม่ ไฟล์ที่จะไม่เปิดหรือทำให้เกิดข้อผิดพลาดทางโครงสร้างต้องใช้แนวทางที่แตกต่างออกไป ดูที่ เมื่อการซ่อมแซมรูปแบบ PDF มีความเหมาะสม

เมื่อคุณระบุปัญหาการแมปอักขระแบบอักษรแล้ว ให้แก้ไขด้วย เครื่องมือซ่อมแซมข้อความ PDF ในเครื่อง ไฟล์จะถูกประมวลผลในเบราว์เซอร์ของคุณโดยไม่ต้องอัปโหลด คุณยังควรตรวจสอบข้อความที่คัดลอกและลักษณะหน้าเว็บหลังจากส่งออกแล้ว