Как извлечь текст в PDF, если кодировка и ToUnicode оба присутствуют в PDF? как отобразить это?

Во-первых общий вопрос

Как извлечь текст в PDF, если кодировка и ToUnicode оба присутствуют в PDF? как отобразить это?

[…] если вы видите, что кодировка и ToUnicode присутствуют в pdf. я знаю, если только ToUnicode там, так как сопоставить отдельный символ с файлом Cmap.

В таком случае, то есть когда у вас есть достаточно полное и правильное ToUnicode карта и кодирование для шрифта, Вы можете игнорировать кодирование и использовать только ToUnicode карта.

Это следует из спецификации PDF, которая в разделе 9.10.2 «Отображение кодов символов в значения Unicode» гласит, что методы для сопоставления кода символов со значением Unicode с наивысшим приоритетом

Если словарь шрифтов содержит ToUnicode CMap (см. 9.10.3, «ToUnicode CMaps»), используйте этот CMap для преобразования кода символа в Unicode.

Таким образом, если вы (как вы говорите) уже знаете, как извлечь текст, если есть только ToUnicode карту, вы можете использовать тот же алгоритм без изменений. И как следствие, если это не сработает, ToUnicode карта недостаточно полная или неправильная, или ваши знания о том, как извлечь текст, используя только ToUnicode карта на самом деле является неполной.

Во-вторых, образец документа

Вы написали

[() -2.11826 () — 1.14177 () 2.67786 () — 2.11826 () 8.55269 () — 5.44998 () — 4.70186 () 2.67786 () — 2.32338 () 2.67786 () 12.679 () -3.75591 () 9.73429 ()] TJ

в перерыве есть некоторые данные garbag, которые не видны. так как связать данные с файлом Cmap?

В скобках указаны значения, идентифицирующие ваши глифы, поэтому они определенно не мусор.

Таким образом, вот значения байтов из скобок:

[(
01
)-2.11826(
02
)-1.14177(
03
)2.67786(
01
)-2.11826(
04
)8.55269(
05
)-5.44998(
06
)-4.70186(
07
)2.67786(
04
)-2.32338(
07
)2.67786(
08
)12.679(
09
)-3.75591(
02
)9.73429(
04
)]TJ

С использованием ToUnicode карта рассматриваемого шрифта

/CIDInit /ProcSet findresource begin
12 dict begin
begincmap
/CMapType 2 def
1 begincodespacerange
<00><ff>
endcodespacerange
9 beginbfrange
<01><01><0054>
<02><02><0045>
<03><03><0053>
<04><04><0020>
<05><05><0050>
<06><06><0044>
<07><07><0046>
<08><08><0049>
<09><09><004c>
endbfrange
endcmap
CMapName currentdict /CMap defineresource pop
end end

значения байтов в скобках отображаются на:

    01    0054    "T"02    0045    "E"03    0053    "S"01    0054    "T"04    0020    " "05    0050    "P"06    0044    "D"07    0046    "F"04    0020    " "07    0046    "F"08    0049    "I"09    004c    "L"02    0045    "E"04    0020    " "

Таким образом,

"TEST PDF FILE "

который соответствует отрендеренному файлу просто отлично:

В-третьих кодировка

и еще один вопрос заключается в том, что в / Encoding какие значения содержатся в разнице?

10 0 объектов << / BaseEncoding / WinAnsiEncoding / Различия [1 / g100 / g28 / g94 / g3 / g87 / g24 / g38 / g47 / g62] / Тип / Кодировка >>

Согласно спецификации PDF,

Значение Различия запись должна быть массивом кодов символов и имен символов, организованным следующим образом:

код₁ название_1,1 название_1,2 …

код₂ название_2,1 название_2,2 …

…

код_N название_{п, 1} название_{п, 2} …

Каждый код должен быть первым индексом в последовательности кодов символов, подлежащих изменению. Имя первого символа после кода становится именем, соответствующим этому коду. Последующие имена заменяют последовательные индексы кода, пока следующий код не появится в массиве или массив не закончится. Эти последовательности могут быть указаны в любом порядке, но не должны перекрываться.

Таким образом, запись кодировки в вашем случае говорит, что кодировка в основном WinAnsiEncoding с той разницей, что коды 1, …, 9 вместо этого представляют глифы с именами / g100, / g28, / g94, / g3, / g87, / g24, / g38, / g47 и / g62 соответственно.

Поскольку эти имена глифов не являются стандартными именами глифов, спецификация PDF не считает эту кодировку полезной для извлечения текста, поскольку она описывает только метод для простого шрифта.

который имеет кодировку которого Различия Массив включает в себя только имена символов, взятые из стандартного латинского набора символов Adobe и набора именованных символов шрифтом Symbol (см. Приложение D).

Имена «/ gXX» в вашем образце явно не входят в их число.