首先，此解决方案不适用于连字：
Convert or Print CGPDFStringRef string
我正在从PDF中读取文本，并尝试将其转换为NSString。我可以使用Apple的CGPDFScanner以CGPDFString的形式获取文本的字节数组。 “ fi”连字字符给我带来麻烦。当我在调试器中查看字节数组时，我看到一个'\ f'
为了简单起见，可以说我有这个字符：
unsigned char myLigatureFromPDF = '\f';
最终，我想将其转换为此（“ fi”连字的unicode值）：
unichar whatIWant = 0xFB01;
这是我失败的尝试（我从
PDFKitten btw复制了此内容）： const char str[] = {myLigatureFromPDF, '\0'};
NSString* stringEncodedLigature = [NSString stringWithCString:str encoding:NSUTF8StringEncoding];
unichar encodedLigature = [stringEncodedLigature characterAtIndex:0];
如果有人可以告诉我该怎么做，那将很棒
另外，作为旁注，调试器如何解释未编码的字节数组，换句话说，当我将鼠标悬停在数组上时，它如何知道显示'\ f'
谢谢！
最佳答案
每个PDF解析器的功能都受PDF规范的一个要点限制：文字字符串中的字符被编码为字节或单词，但是该编码不需要包含在文件中。
例如，如果包括字体的子集，其中代码“ 1”对应于“ h”的图像（字符字形），而代码“ 2”映射到字形“ a”，则字符串(\1\2\1\2)将按预期显示“ haha”。但是，如果PDF没有包含有关该字体中的字形如何对应于Unicode的更多信息，则字符串解码器无法找到“字形＃1”和“字形＃2”的正确字符代码。
看来您的测试PDF确实包含该信息-否则，如何推断“常规”字符的正确字符？ -但是在这种情况下，为方便起见，“常规”字符根本没有重新映射到其他二进制代码。同样，再次为方便起见，将单个字符“ fi”的字形重新映射为原始字体（或包含在文件中的子集）的“ 0x0C”。但是，同样，如果文件不包含字符代码和Unicode值之间的转换表，则无法检索正确的代码。
以上适用于所有PDF和字符串。如果PDF中的字体定义包含编码，则您的字符串提取方法应使用该编码；否则，请参见图5。如果PDF包含字体的/ToUnicode表，请再次使用您的方法。如果两者都不包含，则将获取原义字符串内容（并且大概不会通知您使用了哪种方法以及其可靠性如何）。
最后一个脚注：在TeX和LaTeX字体中，连字映射到较低的ASCII代码（以及少量其他非ASCII代码，例如弯引号）。看来您正在阅读通过TeX创建的PDF，但是只能从这种特定编码中推断出。另外，即使您事先知道PDF是通过TeX生成的，也不能保证它确实使用了这种特殊编码，因为是否要翻译是由PDF生成器（而不是TeX本身）自行决定。