PDFファイルの文書プロパティーで不適な文字

PDFページのフォントを使用してコンテンツを表示または印刷する処理では、さまざまなエンコードを使用できます。PDFページからテキストを抽出する処理では、エンコードされたページ文字からUnicodeコードポイントへのUNICODEマッピングが必要です。

PDFからUNICODEにコンテンツを抽出するには、フォントには、各PDF文字を同等のUNICODEにマップするテーブルが含まれます。一部のフォントには、外観が似ている文字が複数含まれています。例えば、フォントには、ダッシュ、マイナス記号、ハイフンを含んでいる場合があります。このような文字は外観が非常に似ていますが、それぞれ異なる文字であり、その外観の差はわずかです。それぞれに異なるUNICODEコードポイントがあります。マッピングテーブルは、使用するUNICODE文字を決定します。

RICOH ProcessDirector Plug-in for Adobe Acrobatで作成された制御ファイルを使用してPDFファイルから文書プロパティー値をRICOH ProcessDirectorが抽出すると、UNICODEの値が読み込まれます。次に、値が文書プロパティーファイル（DPF）に記録され、このファイルは、データをUTF-8形式でエンコードする必要があります。UTF-8形式では、マルチバイト文字シーケンスを使用して、ASCIIエンコード範囲外のUNICODEコードポイントを表します。その結果、値はDPFファイルに追加されると、UNICODEの対応する文字に変換されます。

DPFの値をPDFファイルに書き戻すと、問題が発生する可能性があります。UNICODE文字に相当するPDFフォントがない場合、不敵な文字が挿入されます。これらの問題は、サブセットおよびIdentity-Hフォントで最も頻繁に発生します。明示的な文字を検索するときに、DPFのUNICODEコードポイントが予期された文字ではない場合は、別の問題が発生することがあります。

理想的な解決策は、サブセットではなく完全なフォントを含むように入力PDFファイルを更新することです。もう一つの方法は、ワークフローにDPFプロパティーを修正するステップを追加することです。RICOH ProcessDirector 、native2ascii.plというPerlスクリプトが提供されており、これを使用してDPFファイルをASCII文字エンコーディングに正規化することができます。UTF-8でエンコードされたUNICODEコードポイントを正規化します。エディターまたはフィルタースクリプトを使用して、問題の文字をUNICODE \u#### から必要な実際のASCII文字に変更できます。DPFのASCIIバージョンが更新されたら、native2ascii.plを使ってDPFを必要なUTF-8エンコーディングに戻してください。

native2ascii.plスクリプトはテキストを Unicode Latin-1 に変換します。スクリプトは/aiw/aiw1/bin に保存されます。

スクリプトの使用方法を確認するには、プライマリコンピューターでコマンドプロンプトを開き、次のように入力します：native2ascii.pl -h