从 PDF 中提取 ToUnicode 表

Question

谁能建议一种易于实现的方法来从 PDF 中提取 ToUnicode 表？我可以使用 pdfextract 从 mupdf 中提取字体，现在我正在寻找一种方法来提取这些字体的 ToUnicode 表。

Answer 1

您可以修改 pdfextract 以提取 ToUnicode CMap（不是表、CMap）。

您可以查看 savefont 中的代码并添加类似以下内容的内容：

obj = fz_dict_gets(dict, "ToUnicode");
if (obj)
{
    stream = obj;
}

如果存在 ToUnicode（不需要），那么您可以以与将字体流写入文件的方式类似的方式转储流。

obj = fz_dict_gets(dict, "ToUnicode");
if (obj)
{
    stream = obj;
        buf = fz_new_buffer(0);

        error = pdf_load_stream(&buf, xref, fz_to_num(stream), fz_to_gen(stream));
        if (error)
        die(error);
            /* Do something with the data */
    }

buf->data（大小为 buf->len）将包含 CMap，您可以将其写入文件或其他内容。