PDF亂碼修復
所謂“PDF亂碼 問(wèn)題”，就是某些文本型的PDF文件，當用Adobe Reader（或其它任何能打開(kāi)PDF文件的軟件）打開(kāi)瀏覽時(shí)，看到的內容沒(méi)有任何異常。但是當從里面復制文字時(shí)，得到是一堆毫無(wú)意義的亂碼。不論粘貼對象是Word還是UltraEdit或記事本，都是一樣的結果。對于這樣的PDF文件，不論用什么PDF瀏覽器，諸如Adobe Reader、FoxitReader還是什么Apabi或CajViewer。都無(wú)法從中復制到和原始內容匹配的文字。這樣的PDF文件雖然不影響瀏覽，但是不能對其創(chuàng )建索引，所以也不能正常的檢索。
產(chǎn)生亂碼的原因
產(chǎn)生這種現象的主要原因是在生成PDF文件的過(guò)程中，由于PDF文件本身不利于反復編輯，所以大部分的PDF文件都是從其它格式的文件轉換過(guò)來(lái)的。目前市場(chǎng)上提供這種轉換功能的軟件也很多，基本上可以分為兩個(gè)類(lèi)別：一種是使用“虛擬打印機”模式，另一種是通過(guò)分析文件格式一步一步的創(chuàng )建PDF文件。前一種比較常見(jiàn)。后一種在WPS中使用。
通常有這種問(wèn)題的PDF文件都使用了內嵌字體。內嵌字體有很大的優(yōu)越性，這種PDF文件無(wú)論在任何平臺上顯示，都能看到同樣的效果。但是內嵌字體會(huì )使PDF文件的尺寸增大，同時(shí)如果沒(méi)有很規范的使用內嵌字體，也會(huì )導致亂碼現象的產(chǎn)生。
我們在分析問(wèn)題的過(guò)程中，共發(fā)現大致三種類(lèi)型的亂碼：中文或符號數字英文亂碼、全選時(shí)亂碼但部分選擇時(shí)正常，最后一種是選擇時(shí)不正常，特別是在A(yíng)dobe Reader中時(shí)，修復前后的效果如下圖：
修復流程和策略
預處理
首先使用批量預處理模塊對所有需要修復的PDF文件進(jìn)行預處理。預處理做的工作是，對指定目錄下的PDF做完整的分析，把在PDF每一頁(yè)上出現所有字都收集到，合并相似度很高的字符（如此則可以減少校對的工作量）。這一步驟不需要人干預，指定好目錄即可執行。由于預處理比較耗費時(shí)間，所以設計為雙線(xiàn)程并處理。如下圖：
校對
預處理完成之后，就可以對每個(gè)PDF文件進(jìn)行校對了。此時(shí)以字體為單位列出每個(gè)字符的信息，可以查看每個(gè)字符的編碼，如果上下一致則說(shuō)明是正確，否則是錯誤的（即使在同一字體內部，也可能會(huì )出現部分字符有，而部分字符正確）。對于不正確的字體，可以先使用OCR做一扁識別，然后再人工校對。
輸入特殊字符
方便快捷地輸入特殊字符（無(wú)法用鍵盤(pán)直接輸入的字符）。部分常用的特殊字符會(huì )出現在右鍵菜單上，還可以彈出特殊字符窗口成批的輸入。
縱校
在以字體為單位校對完成后，還可進(jìn)行縱校?？v校列出相同編碼的所有字符，查看是否有其它字符被錯誤編碼。
整合校對
為了加快校對速度，還可以使用
整合校對。所謂整合校對是指對多個(gè)待校對文件再次執行合并，如此操作后，所有被合并文件中的相同字元只需要一次校對，此種策略對于相同來(lái)源的文件的效果非常好，因為相同來(lái)源的文件通常使用相同的字體和排版風(fēng)格，校對效率以合并的文件數量而相應提高，整合越多，提高越多，目前最大支持合并32個(gè)文件。
輸出文件
所有的字符都校對完成以后，即可輸出新的PDF文件。在整合校對時(shí)，會(huì )為所有合并的文件都執行輸出操作。