PDF复制到HTML：如何将组合变音标记转为单个Unicode码点？

哈哈，这个问题我太有共鸣了！之前从某些PDF复制文本也踩过这个坑，Firefox那个莫名的空格真的搞心态。别担心，有好几种自动转换的方法，都能把分解式的重音字符（比如e+́）转成单个Unicode码点（比如é），完美解决跨浏览器显示不一致的问题：

1. 用Python脚本快速处理 #

如果你有Python环境，这是最灵活的方法。利用Python内置的unicodedata模块，一行核心代码就能完成转换：

import unicodedata

def fix_accents(raw_text):
    # NFD是分解形式，NFC是合成形式，转换后就得到单个码点的字符
    return unicodedata.normalize('NFC', raw_text)

# 举个例子：
copy_from_pdf = "C\u0303est la vie!"  # 分解形式的Ç
fixed_text = fix_accents(copy_from_pdf)
print(fixed_text)  # 输出 "C'est la vie!" （这里的Ç是单个码点U+00C7）

你只需要把从PDF复制的文本放进这个函数里，就能直接得到处理好的内容。

2. 用代码编辑器一键转换 #

很多主流编辑器都支持Unicode标准化，不用写代码就能搞定：

• VS Code：按下Ctrl+Shift+P打开命令面板，搜索「Normalize Unicode」，选择「NFC (Canonical Composition)」即可一键转换选中的文本；也可以安装「Unicode Normalizer」插件，更方便调用。
• Sublime Text：安装「Unicode Normalization」插件后，右键选中的文本就能找到转换选项。

3. 本地HTML小工具（完全离线） #

如果不想装工具，自己写个超简单的本地网页工具也行，完全不用联网，数据只在你本地处理：

<!DOCTYPE html>
<html>
<head>
    <meta charset="UTF-8">
    <title>重音字符转换工具</title>
</head>
<body>
    <h3>粘贴PDF复制的文本</h3>
    <textarea id="input" rows="8" cols="60" placeholder="把带问题的文本粘这里..."></textarea>
    <br>
    <button onclick="convert()">转换为单个Unicode码点</button>
    <br>
    <h3>转换后的结果</h3>
    <textarea id="output" rows="8" cols="60" readonly></textarea>

    <script>
        function convert() {
            const inputText = document.getElementById('input').value;
            // 用JS内置的normalize方法转成NFC形式
            const outputText = inputText.normalize('NFC');
            document.getElementById('output').value = outputText;
        }
    </script>
</body>
</html>

把这段代码存成fix-accents.html，用浏览器打开就能用，粘贴文本点按钮就搞定，安全又方便。

补充说明 #

出现这个问题的根源是PDF文本的存储方式：有些PDF会把带重音的字符拆成「基础字符+独立变音标记」（Unicode的NFD分解形式），复制出来后就变成了两个独立码点；而我们需要的是「合成单个字符」的NFC形式，这样所有浏览器都会一致显示，不会出现Firefox的空格问题。

内容的提问来源于stack exchange，提问作者Buzut