合字でPDFファイルを読み書きする？

Question

PDFファイルからテキストを読み込み、その後、Pythonを使用して同じテキストを別のPDFに書き戻そうとしています。テキストが読み込まれた後、私はコンソールにそれを印刷した文字列の表現は次のとおりです。

Officially, it’s called 

しかし、私はこのテキスト文字列のrepr()を印刷するとき、私は以下を参照してください。

O\xef\xac\x83cially, it\xe2\x80\x99s called 

これは私にとって意味のあるものです。これらはPDFの記号の合字です。つまり\ xef \ xac \ x83は 'ff'の合字を表します。問題は、私はReportLabのライブラリを使用して、PDFにこの文字列を記述する際に下図のように、PDFファイルは、所定の位置に黒のシンボルを持っていることです。

これが唯一の特定の合字で発生します。私は、PDFに書き込む文字列にこれらの合字が含まれていないか、またはそれらのすべてを置き換える効率的な方法があるように、私ができることが何であるか疑問に思っています。

Answer 1

あなたの入力は正しいと思われますが、の出力にはffi文字が表示されていますが、それがあるフォントを使用してください。 ここで使用しているフォントは、それを含んでいない標準のArialフォントです。

（主にお使いのプラットフォームに応じて、これらのいくつかはオープンソースです）ヒント：

• はArial UnicodeのMS
• ルシーダグランデ
• Calibri
• カンブリア
• コーベル
• ドロイドサンズ/ドロイドセリフ
• Helvetica Neue
• Ubuntuの

あなたが望んでいない、またはフォントを変更するには、できないならば、PDFにテキストを書き込む前に、あなたのプログラムでプレーンな文字ffiとシーケンス\xef\xac\x83を交換してください。 （そしてあなたが言及した他の特定の合字についても同様です。）

Answer 2

私がやったことは、文字を自分のテキストファイルからコピーして、その上で.replaceを実行することでした。つまりstr.replace（ 'ff'、 'ff'） - これが同じに見える場合は同じです。左側のパラメータは合字で、右側のパラメータは2つのfです。また、＃ - - コーディング：utf-8 - - を忘れないでください。