青苹果数据中心家庭藏书集锦pdf书签修复工具

wingdd

青苹果数据中心出版的
家庭藏书集锦 家庭生活与艺术
家庭藏书集锦 法律经济军事
家庭藏书集锦 哲学
二十五史全集CD1
二十五史全集CD2
家庭藏书集锦 历史
家庭藏书集锦 马恩列全集
家庭藏书集锦 百科全书

上面的光盘的pdf在adobe reader 福晰阅读器下书签显示乱码,需要修正书签



UnicornViewer可以正常浏览,但是PdgCntEditor编辑书签有时会出现乱码.



回归问题的本质,早期青苹果数据中心出版的这些电子图书pdf内部书签文本编码不规范
这些pdf的书签使用不规范的Unicode编码字符串,gbk编码字符和8进制转义字符,甚至在这些文本中还有针对于换行符回车符的转义字符
既然问题清楚了,只需要修改对应的书签文本,使之符合pdf的标准,就能让这些pdf在阅读器下正常工作.

执行命令



修复效果



测试了1000多个pdf未发现异常.

代码

1. use feature 'say';
   
2. use strict;
   
3. use warnings;
   
4. use utf8;
   
5. use open IN => ':raw', OUT => ':raw';
   
6. use Encode ( 'decode', 'encode' );
   
7. my ( $filename_in, $filename_out ) = @ARGV;
   
8. if ( ( not defined $filename_in ) || ( not defined $filename_out ) ) {
   
9.     die "perl 修复早期青苹果pdf书签.pl <input.pdf> <out.pdf>\n";
   
10. }
    
11. open my $fh1, "<", $filename_in or die $!;
    
12. my $pdf_bin = do { local $/; <$fh1>; };
    
13. close $fh1;
    
14. 
    
15. sub deal_with_obj {
    
16.     my $obj = $_[0];
    
17.     if ( ( $obj =~ m/\/Title \(([^\n]+)\)/s ) && ( $obj =~ m/\/First |\/Parent / ) ) {
    
18.         $obj =~ m/\/Title \(([^\n]+)\)/s;
    
19.         my $title = $1;
    
20.         $title =~ s/\r|\n//g;
    
21.         if ( $title =~ m/\A\x{ff}\x{fe}/ ) {
    
22.             #say 'fffe';
    
23.             $title =~ s/\A\x{ff}\x{fe}//;
    
24.             $title =~ s/\\n/\n/g;
    
25.             $title =~ s/\\r/\r/g;
    
26.             $title =~ s/\\t/\t/g;
    
27.             $title =~ s/\\(.)/$1/g;
    
28.             my $out_str_escaped = "<" . "feff" . unpack( 'H*', $title ) . ">";
    
29.             $obj =~ s/\/Title \(([^\n]+)\)/"\/Title ".$out_str_escaped/es;
    
30.         }
    
31.         elsif ( $title =~ m/\A\x{fe}\x{ff}/ ) {
    
32.             #say 'feff';
    
33.             $title =~ s/\A\x{fe}\x{ff}//;
    
34.             $title =~ s/\\n/\n/g;
    
35.             $title =~ s/\\r/\r/g;
    
36.             $title =~ s/\\t/\t/g;
    
37.             $title =~ s/\\(.)/$1/g;
    
38.             my $out_str_escaped = "<" . "feff" . unpack( 'H*', $title ) . ">";
    
39.             $obj =~ s/\/Title \(([^\n]+)\)/"\/Title ".$out_str_escaped/es;
    
40.         }
    
41.         elsif ( $title =~ m/\\\d{3}/ ) {
    
42.             #say '\\000';
    
43.             my $out_str = "";
    
44.             $title =~ s/\\n/\\014/g;
    
45.             $title =~ s/\\r/\\015/g;
    
46.             $title =~ s/\\t/\\011/g;
    
47.             while ( $title =~ m/(\\\d{3}|[ -'\*-\/:-\[\]-~0-9])/g ) {
    
48.                 my $chars = $1;
    
49.                 if ( $chars =~ m/\\\d{3}/ ) {
    
50.                     my $chars_new = $chars;
    
51.                     $chars_new =~ s/\\//;
    
52.                     my $str = pack( 'H*', sprintf( "%02x", oct( '0' . $chars_new ) ) );
    
53.                     $out_str = $out_str . $str;
    
54.                 }
    
55.                 else {
    
56.                     $out_str = $out_str . $chars;
    
57.                 }
    
58.             }
    
59.             if ( $out_str =~ m/\A\x{ff}\x{fe}/ ) {
    
60.                 $out_str =~ s/\x{ff}\x{fe}//;
    
61.             }
    
62.             else {
    
63.                 $out_str = encode( 'UTF-16BE', decode( 'gbk', $out_str ) );
    
64.             }
    
65.             my $out_str_escaped = "<" . "feff" . unpack( 'H*', $out_str ) . ">";
    
66.             $obj =~ s/\/Title \(([^\n]+)\)/"\/Title ".$out_str_escaped/es;
    
67.         }
    
68.         else {
    
69.             #say 'gbk';
    
70.             $title =~ s/\\n/\n/g;
    
71.             $title =~ s/\\r/\r/g;
    
72.             $title =~ s/\\t/\t/g;
    
73.             $title =~ s/\\(.)/$1/g;
    
74.             my $out_str_encode  = encode( 'UTF-16BE', decode( 'gbk', $title ) );
    
75.             my $out_str_escaped = "<" . "feff" . unpack( 'H*', $out_str_encode ) . ">";
    
76.             $obj =~ s/\/Title \(([^\n]+)\)/"\/Title ".$out_str_escaped/es;
    
77.         }
    
78.     }
    
79.     return $obj;
    
80. }
    
81. $pdf_bin =~ s/(\d+ \d+ obj(\r|\n|\r\n).+?(\r|\n|\r\n)endobj(\r|\n|\r\n))/deal_with_obj($1)/esg;
    
82. open my $fh2, ">", $filename_out or die $!;
    
83. print $fh2 $pdf_bin;
    
84. close $fh2;
    
85. 
    

复制代码

感觉有用的朋友可以下载附件支持一下.

meibf

感谢分享！青苹果的书好像见过。

agent124

meibf 发表于 2024-5-30 23:55
感谢分享！青苹果的书好像见过。

很老的书了，大约20年前在D版盘上见过，不是清晰版。

lforl

研究精神！解决问题能力！

xdbbxdbb

编程能力厉害?

meibf

agent124 发表于 2024-5-31 02:50
很老的书了，大约20年前在D版盘上见过，不是清晰版。

青苹果的pdf应该是文字版的。

strnghrs

有乱码的地方不仅是书签。而且这套书还有其他问题，包括字体缺失、内容重复等，PDFToy的好几次升级都是针对这套书籍的修复需求。

jotis

看过青苹果的epub/azw3，这机构出的书都很垃圾，一个个的还非要盯着它修复，没有其他选择了吗？

xcnf

以前为了看这套书还下了个方正的阅读器。但是太难用，而且没有移动版。

后来想办法，用pdf补丁丁修复字体，但还是有个别字会缺失，太麻烦了，还不如不看这套书。

strnghrs

xcnf 发表于 2024-5-31 14:13
以前为了看这套书还下了个方正的阅读器。但是太难用，而且没有移动版。

后来想办法，用pdf补丁丁修复字体 ...

如果不想修复PDF中的字体，直接从win98中复制两种字体过来即可

zhizun2

下载一个看看

weist123

仔细研究过，总共缺4个字体，要从win98里面复制过来：
黑体、宋体、仿宋_GB2312、楷体_GB2312

我用pdf补丁丁是这样替换字体的，替换完毕后还是正常的：

加载字体：汉仪中黑S Regular(替换 黑体)
加载字体：HYSuperSCJK(替换 宋体)
加载字体：方正仿宋_GBK(替换 仿宋_GB2312)
加载字体：方正楷体_GBK(替换 楷体_GB2312)

robertzhong

我也遇到过电子书正文也是乱码。

woyaodwn

编程能力厉害?
PDFToy哪里有下啊

金角大王

感谢分享

hunt3er

这小白是需要学习基础才能懂

strnghrs

woyaodwn 发表于 2024-6-1 11:56
编程能力厉害?
PDFToy哪里有下啊

https://www.cnblogs.com/stronghorse/p/14572080.html
看最后一段