Como obter caracteres Unicode CJK de um PDF que usa caracteres de uso privado suplementares?

Question

Tenho vários documentos PDF (como este ) que parecem ser escrito usando ideogramas chineses padrão, mas quando extraio o texto, verifica-se que ele é codificado usando caracteres das áreas de uso privado suplementares do Unicode.

Existe alguma maneira confiável de mapear os caracteres de uso privado de volta para os caracteres CJK apropriados?

    

Answer 1

O fluxo geral é provavelmente

• Extrair fonte do PDF
• Tente comparar a fonte com a codificação conhecida diferente e veja se é uma dessas
• Ou, alternativamente, pode ser algo realmente usado em particular
• Faça um relacionamento inverso verificando a tabela de conversão se souber qual codificação ela é, caso contrário, trabalhe com a fonte extraída em pdf