2007年10月12日金曜日

出所不明のPDF

http://gande.co.jp/cgi-momoco/2chview.cgi#t_20071012143420より
お客様よりPDFで入稿がありました.
文書のプロパティでは
作成アプリは空欄
作成OSはMacOS 10
フォントは全て埋め込みサブセットとなっていますが
フォント名が
font 98640 など他の書体も同様で数字が変わっているだけ
TypeはTrueType
となっております.
テキスト選択をしてエディターにコピペしてもすべて文字化けしています.
どなたかテキストを取り出す方法をご存知の方,
いらっしゃいましたらお願い致します.

自分のつけたレスのほかに
http://support.adobe.co.jp/faq/faq/qadoc.sv?225444+002があった。
問題点 (Issue)
Macintosh 版 Adobe Acrobat 7.0 および Acrobat 8 を使用して Mac OS X 上で変換した PDF ファイルの文字情報が正しくありません。

詳細 (Detail)
- テキストに使用しているフォントは TrueType フォントです。
- テキストを [選択ツール] などでコピー&ペーストすると以下のように文字化けします。
※ 下図はテキストエディットの文書にコピー&ペーストした例です。
 

原因:これらの制限は、Mac OS X の PostScript ドライバが 2 バイトフォントを 1 バイトフォントに分割することにより、生じています。この問題は、Mac OS X に起因するものであり、Acrobat によるものではありません。

解決法
A. PDF ファイルの作成が可能なアプリケーションで PDF に変換します
この問題を回避するには、InDesign CS/CS2 または Illustrator CS/CS2 などの Acrobat Distiller を使用せずに直接 PDF を作成することが可能なアプリケーションで PDF に変換を行います。これにより、Mac OS X の PostScript ドライバを経由しないため、正しい文字情報で PDF に変換することが可能です。

OS-XではPSに書き出してからDistillerはトラブルの元なんですね。
http://code.nanigac.com/source/view/230は試してないけど、解決するのだろうか?
そういったPDFに遭遇してないだけに分からん。

1 件のコメント:

茶尾 さんのコメント...

http://pdflib.hykw.tv/tet/index.htmlには「TET で CJK(日本語、中国語、韓国語)のテキストを抽出する場合には、CMap の設定が必要です」とある。

http://pdflib.hykw.tv/index.html#65より
CMap とは簡単に言うとフォントと文字コードの対応表のようなものです。

う~ん、これがなくなっているのだから致命的なトラブルだな。。。