ค้นหา PDF ด้วยการเข้ารหัสอักขระที่ไม่ได้มาตรฐาน

ไฟล์ PDF บางไฟล์สร้างขยะ (" mojibake ") เมื่อคุณคัดลอกข้อความ (แม้ว่าไฟล์นั้นจะแสดงว่าตกลง) สิ่งนี้ทำให้ไม่สามารถค้นหาได้ (สิ่งที่คุณค้นหาจะไม่ตรงกับขยะ)

ใครบ้างมีวิธีแก้ปัญหาง่าย ๆ ?

ตัวอย่าง:

1. คู่มือ TEAC TV EU2816STF (ให้เหนือปัญหาใน Adobe Reader บนทั้ง Windows และ Mac แต่ทำงานได้ดีใน Preview บน Mac)
2. คู่มือ Leadtek Winfast PVR2 (ลิงก์ FTP และยังมีปัญหาในดูตัวอย่างบน Mac)
3. คู่มือการ์ดจูนเนอร์ทีวี Swann (ลิงค์ FTP และยังมีปัญหาในดูตัวอย่างบน Mac)
4. ข้อตกลงใบอนุญาต Phonedisc (จากนี้หมดอายุเจ )
5. Macquarie IFP ทบทวนกองทุนรายไตรมาส
6. BAN-TACS หนังสือธุรกิจขนาดเล็ก (รุ่นที่เก็บถาวร)
7. ใบปลิว Easterfest 2004 (เช่นจากที่เก็บถาวร)

ฉันใช้ Adobe Reader (เวอร์ชั่นล่าสุด) สำหรับ Windows - บางทีผู้ดูที่เป็นทางเลือกอาจช่วยได้? ฉันกำลังมองหาโซลูชันฟรีสำหรับ Windows โอเพ่นซอร์สจะดียิ่งขึ้น

แก้ไข: เอกสารสำหรับเครื่องมือ Multivalent Extract Textมีบทสรุปที่ดีว่าทำไมสิ่งต่าง ๆ จึงผิดพลาดได้ซึ่งรวมถึง: (เอกสารที่ยกมาล่าสุดแก้ไขเมื่อมกราคม 2549)

• ข้อความอาจไม่มีการแมป Unicode ฟอนต์ PDF ชนิดที่ 3 มักไม่มีและ TeX DVI มีอักขระที่ไม่มี Unicode ที่เทียบเท่า
• การเข้ารหัส Unicode อาจมีข้อผิดพลาด Open Office จะแมปอักขระบางตัวเป็น Unicode เดียวกันส่งผลให้ตัวอักษรลดลงและเพิ่มเป็นสองเท่า

ฉันเดาทางออกที่ดีที่สุดในกรณีเหล่านี้คือ OCR แต่ละสัญลักษณ์ในฟอนต์เพื่อหาว่าตัวละครมันคืออะไรจริงๆ โปรดทราบว่านี่จะง่ายกว่า OCR ที่สแกนเอกสารที่มีเสียงรบกวนเนื่องจากมีรูปร่างที่แน่นอนของรูปสัญลักษณ์ (ที่ความละเอียดไม่สิ้นสุดเนื่องจากเป็นภาพ "เวกเตอร์")

Foxit Readerบางที

สำหรับสิ่งที่คุ้มค่าฉันเพียงแค่การตรวจสอบรูปแบบไฟล์ PDF ที่คุณเชื่อมโยงกับ Safari 4.0.4 บน Mac OS X 10.6.2 และในขณะที่มีเป็นบางอิงริช , ไฟล์ PDF มันทำให้ไม่มีที่ติโดยไม่ต้อง "ขยะ" บนหน้าจอใด ๆ บางทีคุณอาจประสบปัญหา Unicode (พบได้ทั่วไปบน Windows มากกว่า Mac OS)?

วิธีที่ง่ายที่สุดในการหลีกเลี่ยงปัญหานี้คือการเปิดไฟล์ในGoogle Chrome เวอร์ชันล่าสุดด้วยปลั๊กอินการอ่าน PDF ในตัว จากนั้นคุณสามารถใช้คุณลักษณะการค้นหาของ Chrome เพื่อค้นหาข้อความและคัดลอกวางทำงานได้อย่างถูกต้อง

สำหรับตัวอย่างคู่มือทีวี : ปัญหาเดียวกันใน Adobe Reader 8.1.2 บน Mac แต่ไม่มีปัญหาในการใช้ Preview ของ Mac เพื่อคัดลอกหรือค้นหาข้อความ และส่งไปยังบัญชี Gmail จากนั้นเลือก "ดู" จากนั้น "ธรรมดา HTML" จะแสดงข้อความ แต่ Adobe Reader ไม่ชอบ

คุณสมบัติของเอกสารแสดง "การเข้ารหัส: กำหนดเอง" สำหรับแบบอักษร เอกสารอื่นแสดงสิ่งต่าง ๆ เช่น "การเข้ารหัส: Ansi" หรือ "โรมัน" และไม่มีปัญหาในการแสดงตัวอย่างหรือ Adobe Reader บน Mac:

อย่างไรก็ตามทั้งLeadtekและตัวอย่างSwann มีปัญหาใน Preview บน Mac เช่นกันและใน Gmail และทั้งสองแสดง "Encoding: Identity-H" การทดสอบPhonediscล้มเหลวด้วย "การเข้ารหัส: กำหนดเอง"

เกิดความสับสนและไม่สอดคล้องกัน แต่ในฟอรัม Adobe บางตัวฉันพบคำอธิบายต่อไปนี้สำหรับตัวอย่างอื่น ๆที่แสดง "การเข้ารหัส: กำหนดเอง" (เน้นที่เหมือง):

หลังจากดูใน PDF แล้วปรากฎว่าไม่มีข้อมูลการเข้ารหัสที่ใช้งานได้ (ไม่ได้อยู่ในรูปแบบ PDF หรือในข้อมูลตัวอักษรแบบฝัง) เพื่อให้ได้ความหมายของอักขระ / ร่ายมนตร์ที่แสดงบนหน้าในเอกสาร

แบบอักษรที่แท้จริงของคุณทั้งหมดฝังอยู่ แต่ในแบบที่ข้อมูลการเข้ารหัสทั้งหมดถูกลบ นี่เป็นตัวอย่างทั่วไปของ PDF ที่สอดคล้องกับข้อกำหนดของไวยากรณ์ PDF อย่างสมบูรณ์ แต่ข้อมูลสำคัญเกี่ยวกับความหมายของข้อความในนั้นถูกทิ้งไปในระหว่างกระบวนการสร้าง PDF เท่าที่ฉันสามารถบอกได้ว่ามันยากมากที่จะกู้คืนข้อมูลการเข้ารหัส

นี่ไม่ได้อธิบายว่าทำไม Preview ของ Mac (และเห็นได้ชัดว่า Infix เป็นอย่างดี) สามารถจัดการกับตัวอย่างบางส่วนเมื่อ Adobe Reader ล้มเหลวแม้จะมี "Encoding: Custom" บางที Preview ไม่มีปัญหาเมื่อมีแบบอักษรที่แน่นอนปรากฏบนคอมพิวเตอร์ หรืออาจเป็นเพียงการคาดเดาการเข้ารหัสที่เกิดขึ้นกับเอกสารบางส่วน แต่ไม่ใช่ทั้งหมดหรือไม่

สิ่งที่ทำให้เกิดนี้ถ้าผ่าน Google Docs หรือ Gmail ไม่ทำงานแล้วบางทีที่ง่ายที่สุด ( แต่ไกลจากง่าย) วิธีแก้ปัญหาที่เป็นจริงที่จะบันทึกเป็น TIFF แล้วทำOCR บริการเช่นEvernoteอาจทำได้ทันที (เป็น OCR กับภาพฉันสงสัยว่ามันจะทำ OCR ในรูปแบบ PDF)

การดาวน์โหลดไฟล์ 1 ล้มเหลวสำหรับฉันไฟล์ 2 ฉันสามารถเปิดด้วย xpdf โปรแกรมดูไฟล์ PDF ที่รวดเร็วและโอเพนซอร์ส ฉันเดาว่ามันไม่สามารถจัดการรูปแบบได้ แต่สำหรับข้อความล้วนและกราฟิกฉันชอบมันสำหรับเวลาเริ่มต้นที่รวดเร็ว

น่าเสียดายที่มันไม่สามารถช่วยได้ เอกสาร PDF ไม่มีตัวอักษรใด ๆ จริง ๆ แต่มีตัวอักษรที่เป็นรูปร่าง กล่าวอีกนัยหนึ่งแทนที่จะอ่านตัวอักษรและวาดบนหน้าจอ Adobe Reader เช่นเดียวกับแอปพลิเคชั่นการอ่าน PDF อื่น ๆ เพียงแค่วาดกราฟิกแบบเวกเตอร์ที่เข้ารหัสในไฟล์

อย่างไรก็ตามโปรแกรมอ่าน PDF บางรุ่นมาพร้อมกับซอฟต์แวร์ที่ช่วยในการวิเคราะห์รูปร่างและกู้คืนข้อความโดยใช้การจดจำข้อความ มันทำงานเหมือนกับว่าคุณสแกนกระดาษข้อความที่พิมพ์ออกมาและซอฟต์แวร์ที่ใช้เช่น ABBYY FineReader เพื่อแปลงกลับเป็นข้อความ แต่เนื่องจากคุณภาพแบบเวกเตอร์ของผลการวาดแบบเวกเตอร์นั้นโดยทั่วไปแล้วจะดีกว่าเอกสารที่สแกน

เอกสารบางอย่างสามารถป้องกันไม่ให้ถูกแปลงเป็นข้อความโดยหลอก Adobe Reader ตัวอย่างเช่นตัวอักษรสามารถวาดในรูปทรงที่ซ้อนทับกันหลายแบบในลักษณะที่มองเห็นพวกเขาจะยังคงเหมือนเดิมในขณะที่ซอฟต์แวร์การรู้จำข้อความจะไม่สามารถจดจำข้อความได้ เอกสารของคุณเป็นตัวอย่างของการป้องกันดังกล่าว

วิธีหนึ่งคือพิมพ์เอกสารลงในภาพและให้ซอฟต์แวร์จดจำข้อความรู้จัก ความละเอียดที่สูงขึ้นสำหรับภาพจะปรับปรุงคุณภาพ อย่างไรก็ตามวิธีนี้ไม่สะดวกจริงๆ