pipでPDFMinerをインストールして日本語PDFからテキスト抽出をしたら以下のようになってしまった問題。
私(cid:888)、知的生産術(cid:887)良(cid:845)参考書(cid:853)欲(cid:864)(cid:845)(cid:880)(cid:866)。人(cid:884)知的生産術(cid:923)教(cid:849)(cid:916) 解決策: see PDFからのテキスト抽出
調査過程のメモ
- Still have issues with CID Characters · Issue #39 · euske/pdfminer
- 2014年
- CMapを作り直す必要があるという指摘
- pdfminer - PDF text extraction returns wrong characters due to ToUnicode map - Stack Overflow
- 2015年
- ToUnicode mapに関しての話
- python - What to do with CIDs in text extracted by PDFMiner? - Stack Overflow
- ToUnicode mapに関しての話
- How can I extract embedded fonts from a PDF as valid font files? - Stack Overflow
- 埋め込まれたフォントを抜き出せるか?という議論
- PDFMinerでPDFから日本語テキストを抽出する
- 二点しんにょうなどがCIDに置き換えられたという報告
- Pythonで「PDFからテキストデータを抜いて使う」のを試してみました(pdfminer.six) - アラカン”BOKU”のITな日常
- 2018
- コマンドラインでは無くスクリプト内からインポートして使う例
- こちらも僕の環境と同様にひらがながCIDになっている