如何避免Ghostscript处理PDF后提取文本出现断词问题？

我之前也碰到过这个糟心的情况！用Ghostscript的pdfwrite处理PDF后，不管是用pdftotext提取还是阅读器里选文本，单词总被莫名其妙的空格拆碎，确实和字距（kerning）的处理逻辑有关。下面是几个亲测有效的解决办法：

• 优先升级Ghostscript版本
  这个是最彻底的解决方案。Ghostscript 9.24及之后的版本已经修复了pdfwrite设备处理字距时的bug，不会再把字距位移错误转换成空格。我当时把GS从9.22更到最新稳定版后，这个问题直接消失了。

• 给旧版本添加字距保留参数
  如果暂时没法升级，可以在你的GS命令里加上-dPreserveKerning参数，强制设备保留原始的字距信息，避免错误转换。修改后的命令如下：

  gs -sDEVICE=pdfwrite \
  -dNOPAUSE -dQUIET -dPARANOIDSAFER -dBATCH \
  -dPreserveKerning \
  -sOutputFile=./output.pdf input.pdf
  

• 尝试使用预定义的PDF设置
  要是上面的参数没起作用，试试换成-dPDFSETTINGS=/prepress这个预设，它会保留更多原始PDF的文本属性（包括字距），减少不必要的优化操作。命令示例：

  gs -sDEVICE=pdfwrite \
  -dNOPAUSE -dQUIET -dPARANOIDSAFER -dBATCH \
  -dPDFSETTINGS=/prepress \
  -sOutputFile=./output.pdf input.pdf
  

简单说下原因：早期GS的pdfwrite在压缩优化PDF时，会把用于调整字符间距的kerning信息错误解析成空格字符，导致原本连贯的单词被拆成零散的片段。上面的方法要么修复了这个bug，要么强制设备保留正确的字距逻辑，就能解决问题。

内容的提问来源于stack exchange，提问作者user650881