"FI" जावा (और अन्य) में

Question

के लिए संयुक्ताक्षर तय करने के लिए कैसे हम एक प्रणाली है कि पीडीएफ फाइलों को पार्स करता है और अनुक्रमण और इस तरह के लिए अंदर का पाठ बाहर खींचती है। एक समस्या यह है कि हम यह कह रहे हैं कि इलस्ट्रेटर उन शब्दों को सेट करता है जिनमें फाई (सिंगल ग्लाइफ) के लिए लिगरेचर का उपयोग करने के लिए "फाई" होता है।

उदाहरण इस लाइन के लिए

...

"बेंच और अमीर vitrified सिरेमिक टाइल।"

मेरी जावा डिबगर

में इस तरह दिखाता है "ete बेंच और अमीर vitri \ u001Fed सिरेमिक टाइल।"

ऐसा लगता है कि \ u001F चरित्र कोड एडोब पीडीएफ फाइलों संयुक्ताक्षर "फाई" के लिए इस्तेमाल करते हैं। मैं स्पष्ट रूप से "फाई" के लिए \ u001F के अवसरों को स्वैप कर सकता था, लेकिन क्या किसी को इसे संभालने और इस तरह के मामलों को संभालने का एक मजबूत तरीका पता है?

Answer 1

पीडीएफ (टीजे, टीजे, इत्यादि) में 'शो टेक्स्ट' ऑपरेटरों के लिए ऑपरेंड के रूप में उपयोग किए जाने वाले बाइट्स का क्रम ग्राफिक राज्य में सक्रिय फ़ॉन्ट के एन्कोडिंग और फ़ॉन्ट से जुड़े ToUnicode cmap का उपयोग करके पाठ में परिवर्तित किया जाना चाहिए । कुछ फोंट में एक ToUnicode cmap शामिल है जो 0x001F कोड (या जो भी कोड ग्लाइफ के लिए उपयोग किया जाता है) को 'f' और 'l' वर्णित करता है। अन्य फ़ॉन्ट्स एन्कोडिंग का उपयोग एक/भिन्नता सरणी के साथ करते हैं जो कोड 0x1F को अक्षर/fl पर नक्शा करता है। सही परिणाम प्राप्त करने के लिए इन संरचनाओं को संसाधित किया जाना चाहिए।