PDF-файлы часто содержат шрифты без явного сопоставления с Unicode, что не позволяет нам извлекать из них правильный текст - проклинаю вас, Adobe!
Мне нужно обрабатывать PDF-файлы в системе Linux. У меня есть несколько примеров с дефисными линиями, но для которых ни один инструмент, который я пробовал, не может определить дефисы; результаты всегда содержат много сломанных полуслов.
Есть ли способ внести пропущенные сопоставления символов вместо отбрасывания неопределенных символов?
Пример PDF закодирован правильно: он включает таблицы шрифтов в юникод, и если я попробую скопировать и вставить с помощью mupdf , дефис в Хлебникова во втором абзаце станет U+00AD SOFT HYPHEN. Так что должна быть возможность объединить слова при желании с небольшой постобработкой.
К сожалению, для многих инструментов PDF поддержка юникода не работает.
Определение пробелов в PDF-файлах затруднительно, потому что формат PDF не описывает пробелы, он только описывает расположение глифов на странице. Таким образом, алгоритм угадывания пространства в ebook-convert кажется неоптимальным, но это не имеет ничего общего с кодировкой.
AFAIK , mupdf не включает в себя инструмент для пакетного извлечения текста, но поиск в Google находит, например, этот сторонний код. Я не пробовал это.
