PDFのテキストを取り出したいのですが文字化けします
クライアントから原稿として支給されたPDFから
テキストを取り出したいのですが文字化けしてしまいます。
Acrobatで開いたときは可読状態なのですが、
テキストを選んでコピー → テキストエディタにペーストすると
文字化けしてしまうのです。
IllustratorでPDFを直接開く等いろいろ試してみたのですが
どれも文字化けしてしまいお手上げ状態です。
PDFにセキュリティは設定されておらず、
テキストは制限なくコピーできるはずです。
全てが文字化けするわけではありません。
Acrobatのプロパティ → フォントで確認すると
文字化けするのは
HGMaruGothicMPRO（埋め込みサブセット）など
種類：TureType
エンコーディング：ビルトイン
文字化けしないのは
KozGoPro-Regular（埋め込みサブセット）など
種類：Type 1（CID）
エンコーディング：Identity-H
となっています。
このエンコーディングが「ビルトイン」がアヤシイと思いググってみたところ
「ビルトイン」で同じように悩んでいる方がいらっしゃるようなのですが、
「そういうPDFは文字化けするから注意しよう」とか
「画像に変換してOCR認識させてしまおう」などの記事がヒットし、
直接の解決方法を見つけることができませんでした。
元データはIllustratorで作っているらしいのですが、
諸般の事情で支給できないと言われてしまいました。
何か良い方法をご存じの方、ご教示ください。
または、解決方法なんて存在しないから諦めろというトドメでも結構です。
【PDFのプロパティ】
【当方の環境】
Mac OS 10.6.8
Acrobat X Pro（10.1.14）
Illustrator CS3〜CS6
Jedit X 1.47
テキストエディット 1.6（264）
プレビュー 5.0.3（504.1）
FireFox（38.0.5）
Safari 5.1.10（6534.59.10）
【試して失敗した方法】
Acrobatで開いてテキストを選択しコピー、Jeditにペースト。
（Jeditのエンコーディングは日本語（Mac OS））
OS付属のテキストエディットにペースト。
プレビューで開いてコピー、Jeditとテキストエディットにペースト。
PDFを直接Illustratorで開く。
フォントがインストールされていても文字化け。
Acrobatの別名保存 → リッチテキスト形式で保存、Jeditで開く。
開くときにエンコーディングを自動判定にせず
日本語以外（全く関係なさそうな外国語）にも切り替えてみましたが全滅。
Acrobatの別名保存 → テキスト（アクセシブル） → Jeditで開く。
（エンコーディングは自動判定／日本語（Mac OS））
Acrobatの別名保存 → テキスト（プレーン） → Jeditで開く。
内容が空っぽでした。
Acrobatの別名保存 → EPS → Illustrator CS5.1で開く。
文字化けしてない！と喜んだのもつかの間、
全てアウトライン化されていました…。
Acrobatの別名保存 → HTML → FireFoxとSafariで開く。
開いた後、文字エンコーディングを切り替えてみましたが、
どれも文字化け状態。
メッセージ編集者: rrm 2015/06/15 19:11画像を変更しました
1 件の正解
3
返信
AdChoices