PDF関連の履歴(No.2)

PrimoPDFで出力したPDFをReaderで表示すると「フォントが無効なので削除」とか言われて文字化けして読めないとき
- 以下のようにすると解決した
- プリンタ(PrimoPDF)のプロパティを表示
- 「全般」タブの「印刷設定」ボタン→「レイアウト」タブの「詳細設定」ボタン→「TrueType Font Download Option」を「Automatic」から「Outline」に変更
- (2006.9.20 最新バージョンでは解決している模様）

プログラム言語から出力†

PythonでPDFファイルのテーブルデータを読み取る - Qiita 2020
- tabulaはPDFの表を抽出するためのJavaのライブラリです。tabula-pyはそのラッパとなっております。そのため、利用するためにはJavaのインストールが必要です。

僕「PDFとは何か知りたい」 2020.11
- PDFは大きく分けて次の３つの技術を組み合わせています。
- PostScriptページ記述言語（レイアウト・グラフィックの生成）
- 構造化されたストレージシステム(データ圧縮など)
- フォント埋め込み・置換システム

PDF　千夜一夜: PDFからテキスト抽出のために　ToUnicode CMap 2006
- CMapは文字コードからアドビが定義したCIDに変換するマップ
- ToUnicodeCMapは、CIDへの変換ではなく、PDFの中に入っている表示用の文字列情報をUnicodeに変換するためのテーブル

What are CID fonts? 2011
- もともとPDFで使われていたフォント技術である Postscript/Type1 and Truetype では欧米系の言語はうまく処理できるがCJKフォントは苦手だった
- そこでCJKフォント向けに用意された規格がCIDフォント
- The main features that CID fonts add are the ability to have 16bit values (so 65535 separate CID characters rather than 256) and much more sophisticated and more flexible unicode settings for extraction. Predefined CMAPs (or custom ones embedded by the user) allow for text extraction to provide appropriate values.