PDF异常可读文本解码及可搜索粗体文本类型识别问询

嘿，我来帮你搞定这两个PDF文本的问题！

这种异常文本大多是PDF内部编码或字体映射搞的鬼，常见的解决思路有这几种：

• 编码映射修正：很多时候是PDF用了自定义的ToUnicode映射（用来把内部字符编码转成Unicode），你可以先试试用pdftotext工具带布局参数提取，它会自动应用编码映射：

  pdftotext -layout 你的PDF文件.pdf 输出文本.txt
  

  如果还是不行，用PDFtk把PDF解压，找到对应字体的/ToUnicode流，转成可读的映射表后手动对应字符，或者用专业的PDF编辑工具重新导出为文本。
• 字符顺序调整：有些PDF会把字符绘制顺序搞反（比如从右到左却没标记语言方向），提取后用简单的脚本就能修正，比如Python里一行代码：

  fixed_text = 提取到的异常文本[::-1]
  

这类文本属于PDF中的结构化文本，不是图片转的文字（不然浏览器搜不到）——PDF里是用了带粗体属性的字体（比如指定了/Bold字体变种，或者设置了/FontWeight属性），只是普通文本提取工具可能忽略了样式，但浏览器的PDF引擎能识别这些样式属性并关联到对应字符。

解码/提取方法很简单：

• 带样式提取：用支持识别字体属性的工具，比如PyPDF2库，能直接筛选出粗体文本：

  from PyPDF2 import PdfReader
  
  reader = PdfReader("你的PDF文件.pdf")
  for page in reader.pages:
      # 提取带字体信息的单词
      for word_info in page.extract_words(extra_info=True):
          # 判断是否为粗体（字体名通常带Bold）
          if 'bold' in word_info['font'].lower():
              print(f"找到粗体文本：{word_info['text']}")
  

• 浏览器直接复制：既然浏览器能搜到，直接打开PDF后全选（Ctrl+A）复制，粘贴到编辑器里，大部分情况下粗体样式会被保留，至少能和普通文本区分开。

内容的提问来源于stack exchange，提问作者Clark