Блог

Может кто-нибудь предложить простой в реализации способ извлечения таблиц ToUnicode из PDF? Я могу извлекать шрифты с помощью pdfextract из mupdf, теперь я ищу способ извлечения таблиц ToUnicode для этих шрифтов.

Вы можете изменить pdfextract для извлечения CMAP-файлов ToUnicode (не таблиц, CMAP).

Вы можете просмотреть код в savefont и добавить что-то вроде :

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

Если есть ToUnicode (его не должно быть), то вы можете сбросить поток аналогично тому, как поток шрифтов записывается в файл.

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

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

buf-> данные (размера buf-> len) затем будут содержать CMap, который вы могли бы записать в файл или что-то еще.