PDF單詞粘連
所謂“PDF單詞粘連”，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。但是當從里面復制英文段落時(shí)，對于英文部分得到是一串連在一起的英文字母，英文單詞之間的空格都丟失了。無(wú)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。這樣的PDF文件雖然不影響瀏覽，但是不能對英文內容創(chuàng )建索引，所以也不能檢索。
產(chǎn)生單詞粘連的原因
單詞粘連的原因是字符的寬度信息不正確。在PDF內部，沒(méi)有通常意義上的“
空格”來(lái)分隔單詞，單詞之間的空格是靠字符之間的距離來(lái)判斷并添加的，在執行判斷時(shí)，需要使用字符的寬度信息，這個(gè)信息來(lái)自于PDF中對字體的描述，而不是我們在頁(yè)面上看到的字符的實(shí)際寬度，在正常字體中，寬度信息應比實(shí)際寬度大一些，大多少沒(méi)有統一的標準，所有出現單詞粘連問(wèn)題的PDF文件中，都是寬度信息比實(shí)際寬度大很多。如下圖中所示，藍色區域是字符"e"的寬度信息，它比"e"的實(shí)際寬度要大很多，以寬度信息是無(wú)法界定在"e"和后面的"v"之間應添加一個(gè)空格的。
修復結果
如下圖中的頁(yè)面，在修復之前復制得到的是一串連在一起的字母。而修復之后呢，我們得到的是清晰的單詞。
修復之前復制得到的結果，可以看到每一行中所有的單詞都是連成一串，不具備可讀性。
這是修復之后復制得到的結果，可以看到所有的單詞都被正確地用空格隔開(kāi)，可以進(jìn)行閱讀和建立索引。
修復策略
在修復的過(guò)程，有一條基本原則是，不能破壞原始的版面，即修復后的PDF文件在瀏覽時(shí)與原始PDF文件有相同的呈現效果，另外在修復 過(guò)程不需要人為干預，軟件自動(dòng)判斷字體是否存在問(wèn)題，對于存在問(wèn)題的字體，根據問(wèn)題現象分類(lèi)進(jìn)行修復，包括調整字體和版面，然后輸出正確的文件。為了保證修復不破壞原始PDF文件的版面，每個(gè)文件修復完成后，都會(huì )與原始文件進(jìn)行比較，以確認是否在修復過(guò)程導致文件被破壞，并產(chǎn)生一個(gè)日志文件保存每個(gè)文件的結果。
修復要求
PDF文件在修復之前不能存在亂碼問(wèn)題，原因是在判斷一個(gè)字體是否是存在問(wèn)題時(shí)，需要使用字符的正確編碼，如果編碼不正確，則修復結果是不可預期的。是否存在亂碼問(wèn)題及修復過(guò)程請瀏覽
PDF亂碼修復
樣例文件
[原始文件][修復結果]