我有幾個 PDF 文件（例如這個）似乎是使用標準中文表意文字編寫的，但是當我提取文字時，結果發現它是使用 Unicode 補充私人使用區域中的字元進行編碼的。
有沒有可靠的方法將私人使用字元對應回適當的 CJK 字元？
答案1
一般流程大概是
- 從 PDF 提取字體
- 嘗試將字體與不同的已知編碼進行比較，看看它是否是其中任何一個
- 或者它可能是實際私人使用的東西
- 如果知道它是什麼編碼，則透過檢查轉換表來計算反向關係，否則使用從 pdf 中提取的字體進行工作
如何從使用補充私人使用字元的 PDF 中取得 CJK Unicode 字元？