当实际文本位于 /ActualText 时, extract_text 会丢失 U+0000 的联合字符

作者: skritosss创建于 2026年9月7日更新于 2026年9月7日

从这个 PDF 中提取文本会丢失所有连字符 — ff, fi, fl 都显示为 U+0000。因此,"shut off handle"最终变成了"shut o\x00 handle"。这3页中有14个这样的例子。文件: https://GitHub.com/py-pdf/pypdf/files/13494010/Inspection_redacted.pdf (这是 py-pdf/pypdf#1351 中的示例文件,同一个文件也显示了这个问题。)

内容来源: pdfminer/pdfminer.six