PDF複製出來的文字亂碼

一、文字編碼

1、文字編碼是指計算機內部表示和存儲字元的方式。不同的文字編碼方式對應著不同的字符集，主要包括ASCII、UTF-8、UTF-16、GB2312、GB18030等。

2、如果PDF文件中的文字使用了一種編碼方式，而我們使用的文本編輯器或瀏覽器內置的編碼方式不一致，就會出現亂碼。這時候，我們可以手動設置文字編碼，或者將文本編輯器或瀏覽器的編碼方式設置為自動檢測。

3、下面是設置文字編碼的示例代碼：

二、字體缺失

1、PDF文件中的文字使用的是某種字體，而我們的系統中可能並沒有對應的字體，這時候就會出現亂碼。如果我們知道PDF文件中使用的是哪種字體，可以手動安裝這種字體，或者使用可以自動下載缺失字體的閱讀器。

2、下面是手動安裝字體的示例代碼：

// 安裝字體庫
sudo apt-get install ttf-mscorefonts-installer

// 更新字體目錄
sudo fc-cache -f -v

三、OCR技術

1、OCR技術可以將圖片上的文字轉換為計算機可以識別和編輯的文字。如果PDF文件中的文字本身就是圖片，或者是從圖片中提取出來的，那麼我們可以使用OCR技術將其轉換為文本。

2、下面是使用Python語言進行OCR的示例代碼：

// 安裝pytesseract庫
pip install pytesseract

// 下載tesseract引擎
sudo apt-get install tesseract-ocr

// 開始OCR
import pytesseract
from PIL import Image

image = Image.open('test.png')
text = pytesseract.image_to_string(image, lang='chi_sim')
print(text)

四、PDF處理工具

1、有些PDF處理工具可以自動修復亂碼問題，例如Adobe Acrobat、Foxit Reader等。我們可以使用這些工具對PDF文件進行處理，將其中的文字從圖片中提取出來，並重新編碼。

2、下面是使用Adobe Acrobat進行PDF文件處理的示例代碼：

// 打開PDF文件
doc = Acrobat.Documents.Open("test.pdf")

// 選擇文字工具
doc.Tool = "Text"

// 複製文字並重新編碼
doc.TextSelection.FontEncoding = "GB2312"
doc.TextSelection.Copy()
text = Clipboard.GetPlainText()

五、文件格式

1、如果PDF文件的文件格式不正確，也會導致文字顯示為亂碼。我們可以使用一些PDF編輯器或轉換工具將其轉換為正確的格式，例如使用Acrobat將PDF轉換為txt、word、html等格式，再進行文字提取。

2、下面是使用Acrobat進行PDF文件轉換的示例代碼：

// 打開PDF文件並進行轉換
doc = Acrobat.Documents.Open("test.pdf")
doc.ExportAsText("test.txt", "com.adobe.acrobat.plain-text")

// 讀取轉換後的文本
with open("test.txt", "r", encoding="utf-8") as f:
    text = f.read()