Cidfonts and mapping

Question

Хорошо, я провел некоторое исследование по этому вопросу, но поскольку название указывает, что я не эксперт. Итак, вот в чем проблема: я извлекаю текст из pdf-файлов, используя python и lib pdfminer.

Я только пробовал документы с латинскими символами, и он работает хорошо в большинстве случаев, за исключением случаев, когда шрифт не является латинским/западным. Документ, который меня сейчас пугает, использует латинские символы из японского шрифта. Adobe сообщает мне, что кодировка Adobe-Identity. Все, что я получаю, это cid char, и я не могу найти связанный cidmap.

Я знаю, что я не использую правильные термины, я имею в виду, что PDF-файл сообщает мне cid=3, и я знаю, что символ - это пробел. Я вручную написал карту для символов в диапазоне 0x00-0xFF. Некоторые источники сообщают, что он соответствует кодировке «mac-roman», другие не согласны. Другие источники говорят, что это соответствует отображению OpenType, но я не мог найти ничего кроме 0xFF. И у меня есть cids> 3000.

Вы можете сказать, что я очень смущен, поэтому вам предлагается исправить мою терминологию, но то, что я хочу, - это карта, которая соответствует моей, но расширенной для диапазона 0x0100-0xFFFF.

ETA: ссылка на подслушивания PDF http://www.sas.upenn.edu/~jtigay/JapanVol.pdf
ETA2: Я нашел это ftp://ftp.oreilly.com/pub/examples/nutshell/cjkv/adobe/aj14.tar.Z cid2code.txt в архиве есть вид карты я ищу. Но для всех этих шрифтов столбец cid кажется «сдвинутым» на два: cid1-карты в космос.
ETA3: исправлена ​​кодировка

Answer 1

Вы можете искать для таблиц, представленных в Adobe Developer Support Техническую ноту # 5078

Adobe-Japan1-6 Character Collection for CID-Keyed Fonts

в сочетании с фоновым знанием, представленной техническим Примечание № 5014

Adobe CMap and CIDFont Files Specification.

К сожалению, вы еще не указали документ , который содержит ошибки; таким образом, я не могу проверить, действительно ли ссылка действительно подходит.

EDIT

Как вы исправил свой вопрос и теперь просят the special-purpose Adobe-Identity-0 ROS(«РОС» представляет собой аббревиатуру/Реестр,/Заказ и/Supplement, которые представляют три элемента словаря/CIDSystemInfo, что зайдите в CIDFont и CMap ресурсы) вместо Adobe-Japan1- ?, ссылки, которые вы больше не интересуете. К сожалению, однако, Adobe-Identity, по-видимому, является выборкой ROS, когда ни один из публичных ROS не применим. Таким образом, похоже, что нет никакого общего ответа на ваш вопрос относительно CID карты для unicode.

Кроме того, карты /ToUnicode этих Времена шрифтов в PDF все выглядеть следующим образом:

/CIDInit /ProcSet findresource begin 
12 dict begin 
begincmap 
/CIDSystemInfo << 
    /Registry (Adobe) 
    /Ordering (UCS) 
    /Supplement 0 
>> def 
/CMapName /Adobe-Identity-UCS def 
/CMapType 2 def 
1 begincodespacerange 
<0000><FFFF> 
endcodespacerange 
endcmap 
CMapName currentdict /CMap defineresource pop 
end 
end 

(Здесь CIDSystemInfo интересно отличается от того, в самом PDF шрифта объекта, Adobe- Идентичность-0.)

Согласно спецификации PDF ISO 32000-1:2008 разделе 9.10.3, хотя,

он должен использовать операторы beginbfchar, endbfchar, beginbfrange и endbfrange для определения отображения из кодов символов в последовательности символов Unicode, выраженные в кодировке UTF-16BE.

Таким образом, нет никакого полезного отображения определены, которое в соответствии с той же спецификацией в сочетании с другими аспектами этих шрифтов означает, что

нет никакого способа, чтобы определить, какой код символа представляет в этом случае соответствующий читатель может выбрать код символа по своему выбору.