提取出来的 PDF 文字乱码时怎么办
要点
- 根据字体的嵌入方式，提取可能失败
- 文字数据可能与显示的不一样
- 从原始文件重新制作 PDF，往往就能解决
提取后，文字变成了读不懂的符号或错误的字符。原因在于这个 PDF 的制作方式。
原因
- 字体信息以特殊方式嵌入，导致文字数据与显示的字符不一致
- 制作 PDF 的软件把文字转成了图形（轮廓）
- 使用了旧格式或特殊的日文字体
怎么做
- 如果有原始文件（如 Word），重新制作 PDF。
- 用另一个 PDF 查看器（浏览器、预览等）打开，在那里试着复制文字。
- 如果还是无法提取，就把 PDF 转成图片再用 OCR。（本工具没有 OCR。）
检查
看看是只有一部分乱码，还是全部乱码。如果只是一部分，手动修正也许可行。
使用“从 PDF 提取文字”（免费）搭配使用的工具
- PDF 转图片：把 PDF 的每一页存为 JPEG 或 PNG 图片。
- 提取或删除 PDF 页面：只保留需要的页面，或删除不需要的页面。
- 压缩 PDF：把 PDF 压缩到你指定的大小以下，应对上传大小限制。