如何更好地使用PDF: 复制中的重复文本

现在是作者再次应用推荐的时候了. 我相信每个人都必须在日常工作中使用文字. 如何提高文本编辑的效率？

PDF是我们处理最多的文件格式之一. 对于这种格式，即使是不熟悉该技术的用户也可以说“通用性好”和“格式不会随机改变”的优点. 但同时，PDF也是最令人困惑的格式之一，因为与Word文件等其他常见的办公软件格式相比，PDF似乎有太多的“怪癖”，例如难以复制文本，几乎无法编辑，等等.

但是，事实并非如此. 这些问题大多数不是PDF格式的“缺陷”，而是因为我们在概念上将PDF视为与其他Office文档格式类似，因此希望PDF具有与后者相似的功能.

对于大多数用户而言，PDF可能是他们所接触的格式中最“基础”的pdf怎么不能复制文字，并且是最接近现实生活的格式. 由于PDF与其说是数字文档，不如说是数字世界中物理文档的图像. PDF的操作在很大程度上可以视为真实纸张的操作，但是操作环境已经从物理世界变为数字世界. PDF的创建是一种虚拟打印. 复制PDF文本的过程更像是一种转录，而PDF的编辑本质上是一种改变.

PDF复制中的文本重复

首先尝试重现该问题: 使用预览应用程序将其打开，然后随意复制一个段落. 确实有很多重复的文本. 看起来像是“口吃”. 切换到PDF Expert打开并尝试复制，没有此类问题.

. 如何更好地利用PDF: 复制中的重复文本图1

尽管我不知道问题的具体原因，但根据经验，复制文本的失败通常与编码有关，而PDF格式是解决编码问题的主要方式.

我在上一篇文章中提到PDF格式是“识字”. 当显示文本时，阅读器仅根据PDF语句的指示在由坐标指定的位置处绘制字体资源中特定代码点的字形，而无需关心自己绘制的是哪个单词. 仅在复制，搜索等时，PDF才会根据嵌入式CMap将内部字体的编码与Unicode编码匹配. 因此，如果CMap丢失或损坏，则无法从PDF中正常复制文本，但不会影响文档的外观.

. 如何更好地利用PDF: 复制中的重复文本图2

这个问题还会和CMap有关吗？这需要知道PDF的源代码. 但是，大多数PDF通过直接在文本编辑器中打开而被压缩且不可读. 为此，我们首先用qpdf解压缩它:

. 如何更好地利用PDF: 复制中的重复文本图3

通过这种方式，您可以使用任何文本编辑器来打开和查看代码. 但是即使这样pdf怎么不能复制文字，PDF的源代码结构还是很混乱的，很难从一开始就找到线索. 因此，我们可以从标识一个小地方开始，例如标题中的“工作”一词.

查询Unicode字符表，您可以知道单词“ work”的编码为U + 5DE5. 由于PDF中包含“工作”一词，因此必须在源代码中的某处提及代码5de5. 确实，简单的搜索就可以找到这样的段落:

. 如何更好地利用PDF: 复制中的重复文本图4

其中，beginbfchar和endbfchar是CMap使用的语句. 根据PDF语法，它指示PDF嵌入字体中的代码0ae1的字形与Unicode代码U + 2F2F和U + 5DE5的两个字符相对应.

. 如何更好地利用PDF: 复制中的重复文本图5

很奇怪，为什么要两个字符？

我们已经知道U + 5DE5是汉字“作品”，这多余的U + 2F2F是什么？如果再次查询Unicode表，您会发现U + 2F2F实际上是“工作”. 这两个字符之间是什么关系？他们是同一回事吗？

答案是否定的. 仔细看一下两个字符的Unicode信息: U + 5DE5的全名是“表意劳动，工作；工作者，劳动者CJK”，位于CJK统一表意文字（中国，日本和韩国统一表意文字）块中. 显然，这是我们每天使用的汉字“作品”.

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/ruanjian/article-188431-1.html