生成书签都是乱码

[lsj8924]

https://vip.123pan.cn/1820746/directLink/DCC_decompilation_thesis1.pdf
此文档生成的书签是乱码，字体也有问题，只显示timeNewRom

[wmjordan]

暂时没办法。
源文档缺少用于将字库里字符号转换为统一码的 ToUnicode 信息，所以无法正确获取里面的文本。

[calcitem]

乱码通常是由于缺少或不完整的ToUnicode映射导致的。由于原文档没有这些信息，所以很难直接从PDF中提取正确的文本。考虑如下几种可能的解决方案：

方法一：使用外部字体映射

1. 创建字体映射文件: 创建一个包含字库与统一码（Unicode）映射关系的文件。
2. 导入映射文件: 在软件中提供一个选项让用户导入该映射文件。
3. 应用映射: 在生成书签或提取文本时，用这个映射替代缺失的ToUnicode信息。

方法二：OCR (Optical Character Recognition)

1. 截取文本区域图像: 自动或手动选定含有目录信息的PDF页面区域。
2. 运行OCR: 使用OCR工具（例如Tesseract）对选定区域进行图像识别。
3. 生成书签: 根据OCR结果生成书签。

方法三：手动修复

1. 显示问题区域: 在软件界面高亮显示那些可能导致乱码的区域。
2. 手动输入: 提供一个选项让用户手动输入或修正这些区域的文本。

方法四：使用备选字体

1. 检测缺失字体: 当发现PDF使用了缺失的字体时，自动提示。
2. 使用备选字体: 让用户选择一个备选字体来替代缺失的字体。

如能在软件设置中加入这些选项，让用户根据自己的需要选择最合适的解决方案。这样既增加了软件的灵活性，也提高了用户体验。不过开发工作量和复杂度预计比较大。

[wmjordan]

开发工作量的确不少。目前手头工作比较多，恐怕短时间内都无法实现。

[wmjordan]

方法一：使用外部字体映射

方法二：OCR (Optical Character Recognition)

方法三：手动修复

方法四：使用备选字体

方法一的可操作性太低了。能够自己撰写 ToUnicode 的朋友，必定是凤毛麟角。
对于缺少ToUnicode的文档，用方法二来实现，对于用户而言是最方便的。Tesseract 的识别能力太菜；而使用百度等在线识别引擎的话，免费额度又不多；用置顶的飞桨识别简体中文还可以，识别繁体中文的效果还有待改进。
方法三我之前也有想过，但是找了几个文档分析测试之后，我发现有不少这样的文档，表面上看起来，各页都采用同一种字体（例如宋体），而实际上被拆成了多个字体子集，即是每一页的“宋体”会分别对应一组不同的ToUnicode！要是用户有这功夫，都差不多够用来重新输入一份文档了。

用方法四能对付的文档（没有嵌入字体）不一定会造成乱码。程序可以让用户更改字体，只是现在没有“自动提示”功能（可以做，也不太难实现）。