Pdf轉(zhuǎn)為word文檔，大家有沒有過這樣的操作？

如果Pdf里面本來就是文字（鼠標(biāo)可以在上面拖選文字），轉(zhuǎn)成word其實(shí)是比較簡單的；可能最大的問題就是換行、分段不自然。

而如果Pdf里面的文字是印在圖片上的（鼠標(biāo)無法拖選上面的文字），那只能通過識(shí)別圖片上的文字，再組成word文檔?？赡軙?huì)把文字識(shí)別成形近字或一些奇怪的符號(hào)。（識(shí)別圖片上文字的功能簡稱OCR，下文中用此簡稱）

而通過OCR識(shí)別出來的內(nèi)容，很容易出現(xiàn)這樣的情況：

上面紅色圈出來的字，是不是和別的字看著有點(diǎn)不同呢？

這些字，只有“微軟雅黑”這種包含強(qiáng)大字符量的字體才能顯示出來，普通字符量的字體壓根顯示不出它。

所以圖片型Pdf轉(zhuǎn)成word文檔，可能會(huì)出現(xiàn)某些文字無法改變字體的情況。

大家有沒有遇到過呢？

今天，來給大家分析一下出現(xiàn)這種情況的原因及解決辦法，或許等到某一天你遇到這種情況的時(shí)候，用得上呢！

原理

其實(shí)，這些字不是我們所看到的字。

這里面的“?”、“?”、“?”、“?”等字，并不是我們所認(rèn)識(shí)的“自”、“用”、“子”、“生”。在字符集里面，它們擁有著不同的編碼。

他們只是看著長得像，其實(shí)在字符里面，完全是不同的東西。

經(jīng)過查資料明白：原來這些字符是Unicode編碼里面的“康熙部首”。

由于這一部分的文字的編碼是“2F00-2FD5”，而普通漢字的編碼是“4E00-9FA5”。

這些怪文字的編碼在普通漢字編碼的前面，所以O(shè)CR軟件先使用了它們！

這就是OCR識(shí)別文字出現(xiàn)這種情況的原因，大家明白了沒？

其實(shí)OCR軟件只需要在識(shí)別時(shí)設(shè)置好編碼范圍，就能避免這種情況。開發(fā)者居然沒發(fā)現(xiàn)、也沒用戶反饋嗎？

如何解決

早在1月8日，胡大師就和我討論過這個(gè)問題：

當(dāng)時(shí)也已經(jīng)看了字符的編碼，發(fā)現(xiàn)了這些怪字符的編碼非同尋常。

但當(dāng)時(shí)沒有深入研究，最終一句“這不好處理，沒對(duì)應(yīng)”就沒有再管它。

而前天晚上，這個(gè)問題再次在一個(gè)群里被提起。

最關(guān)鍵的是，寫這篇文章的時(shí)候才發(fā)現(xiàn)：這個(gè)文檔居然和1月8日那個(gè)文檔是同一個(gè)！

于是后來，和一位大神一起討論，最終決定給這一組“奇怪”的字符找到他們一一對(duì)應(yīng)的正常字符，然后把它們替換掉，大概就是這樣：

把理論的想法，寫成代碼，放進(jìn)插件：

點(diǎn)一下，就能把這些奇怪的字符，變成正常的字符啦！至少代碼是怎么工作的，大家完全不用操心~

這個(gè)功能已經(jīng)上線到“不坑盒子_word”這個(gè)插件的2023.0218版中，安裝了老版插件的小伙伴們一鍵更新后就會(huì)與它見面。

一個(gè)小小不起眼的功能，背后可能是無數(shù)次的嘗試。看，這個(gè)功能不就折騰到凌晨1點(diǎn)嗎？

怎么樣？還不點(diǎn)個(gè)贊嗎?