Acrobat Character: [FORCE]

Acrobat Character

字形と文字コードが紐づいていないPDF（決定版解説）

以前書いた記事の内容を
偉い方がちゃんと説明している文章を見つけた
なるほど…自分も少し誤解していた点もあり、眼から鱗

大筋で間違った事は書いていないので、旧記事は訂正せずにそのままにする事にした

PDFのコピペが文字化けするのはなぜか？
https://www.slideshare.net/trueroad_jp/pdfcidgid

PDFのコピペが文字化けするのはなぜか？～CID/GIDと原ノ味フォント～ from Masamichi Hosoda

2021年2月28日 (日) Acrobat Character | 固定リンク

PDFのテキスト構造（縦書きPDFとオフィス書き出し）

『AdobeAcrobatProDC（月々プラン）にて縦書文（歌集）をwordへ書き出し』に反応
https://forums.adobe.com/message/8997371
回答でクローズしているので
こちらにフォローとして記載しておく。

ここでは、スキャンPDFの文字認識では無く
すでにテキストになっているPDFについて書きます。

まず
PDFとテキストについて過去に書いた３点の記事を読んで欲しい。
（この３点が理解できなければ、この記事は読む必要が無い）

文字を検索出来ないPDF
https://force4u.cocolog-nifty.com/skywalker/2010/08/pdflib-fontrepo.html
なぜ？印刷時に文字化けして出力されるのか
https://force4u.cocolog-nifty.com/skywalker/2015/02/post-fd60.html
スタンプの回転を決める（文書の回転と天地）
https://force4u.cocolog-nifty.com/skywalker/2014/01/post-03f7.html

-------

前提が『そのPDFの構造は正しいか』なんです。
（WORD書き出し後に意図する表示が可能な構造か？）
文字コードと紐づかないPDFの場合は、そもそも文字としては、『読める形で認識しない』

たしかにAcrobatのオフィスアプリへの変換は問題が無いとは言わないけど。
正しく文字が認識出来るPDFでなければ、いくら優れたアプリケーションだとしても
読める文字には出来ない。

その上で、
テキスト（文字、コード、キャラクタ）の構造が正しい形になっているか？で
読める形で書出し等が出来るか？なんです。

-------

テキスト書き出しには２種類あります

アクセシブルとプレーンです

アクセシブルテキストは
『ほぼ』コンテンツパネルの順にテキストが書出されます。

また
プレーンテキストは
『ほぼ』順序パネルの順にテキストが書出されます。

WORDに書出した時にPDFの天地と
文章の向きが合っていないと、上手くいかない事も多い
（見た目の文字は縦書きだけど、文章の天地向きが左右にあったりする場合ね）

-------

ここまでで
正しいテキスト構造のPDFであれば
書出し結果（テキストに限るけど）が『まぁ許せる範囲で』正しく書出せる…わけです。

-------
逆に、どんな『縦書きPDF』なら
正しくWORD変換できるのでしょう。

１：文字を読める形で認識出来るテキスト
２：全ての文字が同じフォント（書出し時に文字コードと紐づくフォント）
３：全て全角文字で個別の詰め等が無い

この３点を抑えれば…（まぁそんな文書まぁ無いけどね…笑）縦書きPDFでも
正しくWORD変換出来ます。

Aiを使ってヒラギノで縦書き文章を作ります。

出来上がったコンテンツが１つなのに注目してください
コンテンツが１つなので、文字とオブジェクト等でズレたり、前後関係が出来たりしません。
まぁここが、通常の文章では不可能なので、縦書き書出し時に不具合が出ますね。

これをWORDに書出すと
こんな感じで文字が回転したりします。
これはフォントの指定の問題なので

フォントを再指定すれば
縦書きWORD書き出し完了です。
（フォントを変更した事で文字送りが変わってしまうのでナニですけど…）

もちろん、上記のようなシンプルな
こんな文書、日常的にありえない文章なので
『WORDへの縦書き文章書き出しは出来ない』といっても良いでしょう。
まぁ
複雑な文章構造を書出せない。と言った方が正解に近いかな…

WORDへの縦書は出来る。（ただし有り得ないような条件付き）って事した。

2016年9月12日 (月) Acrobat Character | 固定リンク

[PDF]見た目通りの字形ではない文字（透明透かしでラスタライズ後にClearScanでOCR）

こちらの記事『LINK』
『PDFのテキストを取り出したいのですが文字化けします』のディスカッションの記事に反応

まずは
『PDF変換をOS XのQuartz経由で行っているのが原因』では無い。
（まぁ半分正解だけど…汗）

PDFを作成＝アプリケーションがPS化するタイミングで
『字形』と『文字コード』が紐づかないのは
主に『フォント』と、PDFを作成した『アプリケーション』の組み込みの問題で
（問題と言うより仕様ですが）
Quartzが悪さしているわけでは無い

Quartzは総称としてなら意味は合うが
基本的にQuartzはグラフィックを担当しているわけなので
文字部分は『Core Text』　PDFにするのはImageIO だったり　CUPSだったりするわけです

まずは
過去の記事を
AdobeReader8 とencode - DTP駆け込み寺　掲示板
http://www.dtptemple.org/imgbbs/index.php?mode=thread&id=8057&page=1

PDFlib FontReporter【文字を検索出来ないPDF】
https://force4u.cocolog-nifty.com/skywalker/2010/08/pdflib-fontrepo.html

【再考中】なぜ？印刷時に文字化けして出力されるのか
https://force4u.cocolog-nifty.com/skywalker/2015/02/post-fd60.html

【再考中】なぜ？印刷時に文字化けして出力されるのかーその２ CID GID
https://force4u.cocolog-nifty.com/skywalker/2015/02/cid-gid-a96b.html

----ここまで前置き
『PDFのテキストを取り出したいのですが文字化けします』なので
文字を見た目の字形通りに抜き出せれば良いわけです。
出来上がったPDFの対象の文字は
字形と文字が紐づいていませんから
そのままでは、どうやっても無理です。

文字数が多いなら
OCRするのが良いでしょう。

まずは、見た目通りの字形ではない文字になっているPDFを作ります。
もうおなじみ
JeditでOsaka等幅をCUPS-PDFでPDF化すれば一発で出来ます。笑