PDF 里的文字复制出来是乱码，怎么取到正确文本？

1十秒分类：三种情况对应三种解法

同一个「取不到文字」的现象，内部状态差别很大，先用划选动作分个类。

最快的自查动作就是划一行字。分类做对了，后面就不会在错误的方向上浪费时间。

2对应表为什么会坏

绝大多数情况来自导出环节，而不是文件损坏。

导出时压根没写这张表

一些老旧的排版链路、部分工程软件和简易打印驱动生成的 PDF 就没有完整的对应表。

字体被部分嵌入并重新编号

导出时只保留用到的字形并重新编号，却没有同步更新映射表。这是最常见的一类。

用了符号字体

图标字体和装饰字体的字形本来就没有字符语义，映射出来自然是无意义的码位。

个别字体坏、个别正常

常见于标题正常、正文乱码，或反过来。说明只有其中一种字体的映射有问题，可以据此缩小排查范围。

「标题正常、正文乱码」这个现象很有用：它告诉你文件结构是好的，问题只集中在某一种字体的映射上。

3拿到正确文本的操作顺序

按可靠性从高到低排，前面的能解决就不要用后面的。

1. 优先找源文件重新导出，导出时选择完整嵌入字体。这是唯一干净的解，值得花时间和文件提供方沟通。
2. 试试用另一个阅读器把文件打印成 PDF。部分阅读器会重建文本层并写入正确的对应表，成本很低。
3. 仍然不行就把它当扫描件处理：把页面渲染成图片，再跑一遍文字识别，得到基于字形形状的文本。
4. 如果只要几段话，直接照着页面重打一遍，往往比折腾各种工具更快也更准。
5. 顺序错乱的情况换用按版面分块重排的提取方式，或者按列、按表格区域分开提取。
6. 清理时留意几类隐形陷阱：行尾连字符、字间多余空格、软连字符与零宽空格、全角与半角混排。