Question

首先，此解决方案不适用于连字： Convert or Print CGPDFStringRef string

我正在从PDF中读取文本并尝试将其转换为NSString。我可以使用Apple的CGPDFScanner以CGPDFString的形式获取文本的字节数组。 “fi”结合角色给我带来了麻烦。当我在调试器中查看我的字节数组时，我看到'\ f'

为了简单起见，我们可以说我有这个字符：

unsigned char myLigatureFromPDF = '\f';

最终我想把它转换成这个（“fi”连字的unicode值）：

unichar whatIWant = 0xFB01;

这是我失败的尝试（我从PDFKitten btw复制了这个）：

 const char str[] = {myLigatureFromPDF, '\0'};
    NSString* stringEncodedLigature = [NSString stringWithCString:str encoding:NSUTF8StringEncoding];
    unichar encodedLigature = [stringEncodedLigature characterAtIndex:0];

如果有人能告诉我如何做到这一点会很棒另外，作为旁注，调试器如何解释未编码的字节数组，换句话说，当我将鼠标悬停在数组上时，它如何知道显示'\ f'

谢谢！

Answer 1

每个PDF解析器的功能都受到PDF规范中一个重要点的限制：文字字符串中的字符被编码为字节或单词，但编码不需要包含在文件中

例如，如果包含字体的子集，其中代码“1”对应于“h”的图像（字符字形），代码“2”映射到字形“a”，字符串(\1\2\1\2)将按预期显示“haha”。但是如果PDF中没有关于该字体中的字形如何与Unicode对应的更多信息，则字符串解码器无法找到正确的字符代码“字形＃1“和”字形＃2“。

似乎您的测试PDF确实包含该信息 - 否则，它如何推断“常规”字符的正确字符？ - 但在这种情况下，为方便起见，“常规”字符只是不重新映射到其他二进制代码。另外，为方便起见，单个字符“fi”的字形以原始字体（或包含在文件中的子集）重新映射到“0x0C”。但是，如果文件不包含字符代码和Unicode值之间的转换表，则无法检索正确的代码。

所有 PDF和字符串都是如此。如果PDF中的字体定义包含编码，则字符串提取方法应使用它;如果PDF包含该字体的/ToUnicode表，则您的方法应该再次使用它。如果它既不包含，那么你会得到文字字符串内容（并且，大概你不知道使用了哪种方法以及它有多可靠）。

作为最后一个脚注：在TeX和LaTeX字体中，连字被映射到较低的ASCII码（以及其他非ASCII码的一小部分，例如卷曲引号）。您似乎正在阅读通过TeX在此处创建的PDF - 但这只能通过此特定编码推断。此外，即使您事先知道PDF是通过TeX生成的，也不能保证使用此特定编码，因为翻译或不翻译的决定由PDF生成器自行决定，而不是TeX本身。

从PDF到unichar或NSString读取特殊字符字节

1 个答案: