一直以来，经常会有人问我为什么PDF文档中的内容能看到，也能复制，但是粘贴就会乱码。
例如，一个红楼梦的样本文件，无法通过复制粘贴得到正文文本。
那么，是什么原因造成的乱码呢？我用AI分析这个文档，看一下字符是如何被渲染到页面上面的。
首先，我们用oPDF，看一下文档的内容流，你会看到类似的操作符
这段指令的意思是，使用C0_0字体，渲染0003字符到指定位置。
AI分析结果如下：
通过分析，我们知道了0003字符是从字体文件 /FontFile3 中读取字形，并渲染的。所以我们可以正确的看到这个字。
那么，为什么复制粘贴就乱码了呢？这就要提到一个字体中的概念----Unicode映射。字体文件的本质就是矢量绘图，而复制粘贴需要知道文字的Unicode码，把这个码放到剪贴板里面，其它的软件才会知道是什么字。
正规的字体文件，都会带一个Unicode映射表，这个表会告诉软件字体中的第几个字对应的是Unicode中的哪一个字的编码。然后我们才能正确地复制粘贴。
所以，PDF文档为什么复制粘贴之后就会乱码的原因，想必你也清楚了。正是由于某些PDF文档在制作的时候，有意将Unicode映射表删掉了，造成我们无法得知复制的字对应的是Unicode的哪一个字，所以无法复制粘贴文档中的文本。这是一个很简单，也很有效的文档反拷贝手段。
为了解决这个问题，我写了一个软件PDFontFixer，采用OCR识别PDF文档中的字体里面的每一个字形，得到对应的Unicode编码，再将这些编码做成ToUnicode映射表，保存到PDF文档的字体里。这样，我们就可以正常复制粘贴文本了。
Top comments (0)