Вот ссылки на некоторые журнальные статьи:
- https://doi.org/10.1149/1.2183927
- https://doi.org/10.1149/1.2988135
- https://doi.org/10.1149/1.3021012
- https://doi.org/10.1149/1.2159298
Все они кодируют круглые скобки (и другие символы, такие как скобки) неправильно. Однако это проявляется только при попытке преобразовать их в текст или скопировать и вставить. Например, первая строка тела первой статьи должна гласить:
Proton exchange membrane fuel cells (PEMFCs) have received
Вместо этого при копировании и вставке из Acrobat Reader он дает
Proton exchange membrane fuel cells PEMFCs have received
И при использовании "Сохранить как текст" это дает
Proton exchange membrane fuel cells ^CPEMFCs�
have received
Если открывающая скобка - ^C , управляющая последовательность ASCII 03, а закрывающая скобка - Unicode 65533, символ замены, за которым следует символ новой строки.
Аналогично, pdf2txt кодирует его как
Proton exchange membrane fuel cells 共PEMFCs兲 have received
(Unicode 20849 и 20850) и pdftotext кодирует его как
Proton exchange membrane fuel cells ͑PEMFCs͒ have received
(Юникод 849 и 850).
Есть также Unicode 851 (͓), 852 (͔), 1003 (ϫ), 1011 (ϳ), 1015 (Ϸ), 8217 ('), 8211 (-), 8722 (-), 64257 (), 64258 ( fl) и управляющий символ Ctrl-L (ASCII 12) в выводе pdftotext . Некоторые из них можно довольно легко нормализовать для ASCII, но некоторые из них потребуют ручного отображения, я думаю.
Мои вопросы:
Какой лучший способ это исправить? Я видел несколько похожих вопросов, в том числе с использованием сценария для замены неправильно обработанных символов, но настройка отображений нетривиальна и не исправляет PDF.
Почему разные программы чтения PDF и утилиты PDF to text дают такие разные результаты?
Вот результаты pdfinfo и pdffonts:
Title:
Subject:
Keywords:
Author:
Creator: XPP
Producer: Acrobat Distiller 6.0.1 (Windows)
CreationDate: Thu Mar 23 12:07:23 2006
ModDate: Sun Nov 4 12:48:02 2012
Tagged: no
Pages: 6
Encrypted: no
Page size: 657 x 855 pts
File size: 266467 bytes
Optimized: no
PDF version: 1.4
name type emb sub uni object ID
------------------------------------ ----------------- --- --- --- ---------
Helvetica Type 1 no no no 89 0
Helvetica-Oblique Type 1 no no no 109 0
Helvetica-Bold Type 1 no no no 88 0
LFNLKJ+Times-Bold Type 1C yes yes no 63 0
LFNLLK+Times-Italic Type 1C yes yes no 64 0
LFNLMK+Times-Roman Type 1C yes yes no 65 0
LFNLML+MathematicalPi-Three Type 1C yes yes no 66 0
LFNLMM+MathematicalPi-One Type 1C yes yes no 67 0
LFNLMN+Universal-GreekwithMathPi Type 1C yes yes no 72 0