我正在使用Ghostscript 9.20从一个仅包含两行文本的PDF文档中提取文本：
Hello world…
A beautiful day!
应用的代码是：
gswin32c -sDEVICE=txtwrite -o output.txt input.pdf
然而，输出结果是：
䠀攀氀氀漀 眀漀爀氀搀☠
䄀 戀攀愀甀琀椀昀甀氀 搀愀礀℀
发生了什么事情，我该怎么解决？
使用Ghostscript从PDF中提取文本
7
应用的代码是：
然而，输出结果是：
发生了什么事情，我该怎么解决？
- KitKat
3
1个回答
3
在9.20版本中存在一个错误，影响到某些文本提取。并非全部文本，而是取决于输入文件，由于您没有提供该文件，因此无法确定您的特定输入文件是否受到影响。
要解决这个问题，您可以：
要解决这个问题，您可以：
- 从我们的Git存储库克隆Ghostscript，构建和测试最新代码。
- 等待下一个发布（三月份）并测试它。
- 提交错误报告，有人会查看它。虽然这不会真正帮助您。如果已经修复了它，那么您必须选择1或2。如果还没有修复，则需要等待修复，然后执行1或2，但至少您已经帮助改进了产品。
- KenS
3
这个 bug 是否与大端/小端 Unicode 16 位文本有关？ - Jongware
1这确实是问题的结果。因为Adobe（一段时间以前）改变了ToUnicode CMap的定义，我们不得不重新编码大量的东西，这些东西产生了一些意想不到的副作用。ToUnicode生成（和文本提取代码）经常使用启发式方法，因为我们经常在没有具体数据的情况下工作。在这种情况下，重写后一个特定的回退做出了无效的假设，这意味着UTF16-BE实际上在内部处理时使用了错误的字节序。 - KenS
1是的，没错。我刚刚尝试了9.18版本，它运行得很好。 - KitKat
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接
是0x0A00，这可能是由于从屏幕上复制输出而出现的问题）。 - Jongware