ทำไมก๊อปปี้ข้อความจาก PDF แล้วกลายเป็นภาษาต่างดาว (พร้อมวิธีแก้ไข)

Equalang

โดยสังเขป

เจาะลึกสาเหตุที่เอกสาร PDF คมชัดแต่คัดลอกแล้วได้ตัวอักษรสี่เหลี่ยมหรือภาษาต่างดาวเนื่องจากขาด /ToUnicode CMap พร้อมวิธีตรวจฟอนต์ใน 10 วินาทีและดึงข้อความถูกต้อง

คำสำคัญ: ก๊อปปี้ pdf ภาษาต่างดาว; copy ข้อความ pdf กลายเป็นสี่เหลี่ยม; toUnicode cmap หาย; ตรวจสอบฟอนต์ pdffonts; แก้ปัญหาข้อความ pdf เพี้ยน

เมื่อคุณเปิดไฟล์ PDF แล้วตัวหนังสือบนหน้าจอดูคมชัดเป็นปกติ แต่พอกดคัดลอกแล้วนำไปวางในโปรแกรมแก้ไขข้อความกลับกลายเป็นกล่องสี่เหลี่ยมว่างเปล่า (``) สัญลักษณ์ประหลาด หรือตัวอักษรที่สลับตำแหน่งจนอ่านไม่รู้เรื่อง (เช่น คำว่า "Hello" กลายเป็น "Khoor") สาเหตุที่แท้จริงเกิดจากฟอนต์ที่ฝังอยู่ในไฟล์ไม่มีหรือไม่พบตารางจับคู่รหัสอักขระ /ToUnicode Character Map (CMap) เนื่องจากรูปแบบไฟล์ PDF ถูกพัฒนามาจากภาษา PostScript ซึ่งเน้นการจัดวางเลย์เอาต์หน้ากระดาษและการวาดกราฟิกเวกเตอร์ ไม่ใช่โปรแกรมประมวลผลคำอย่าง Word ตัวโปรแกรมอ่าน PDF จึงต้องการเพียง รหัสระบุรูปอักขระ (Glyph ID) และเส้นโครงร่างเวกเตอร์ (Vector Outline) เพื่อวาดตัวอักษรให้คมชัดบนจอภาพเท่านั้น โดยที่ระบบไม่จำเป็นต้องทราบเลยว่ารูปทรงนั้นตรงกับตัวอักษร Unicode ใด (เช่น U+0041 สำหรับตัวอักษร 'A') จนกว่าคุณจะกดคำสั่ง Ctrl+C หรือ Cmd+C และเมื่อไฟล์ไม่มีตารางเทียบรหัสดังกล่าว หรือถูกรบกวนด้วยชั้นข้อความ OCR เก่าที่ซ่อนอยู่ คลิปบอร์ดของระบบจึงได้รับเพียงรหัสดิบของรูปวาดแทนที่จะเป็นข้อความปกติที่อ่านได้

การเรนเดอร์หน้าจอของ PDF ทำงานอย่างไร เมื่อเทียบกับการกด Ctrl+C

อาจดูเป็นเรื่องขัดแย้งที่สายตาของคุณสามารถอ่านข้อความบนหน้าจอผ่าน Adobe Acrobat หรือ Google Chrome ได้อย่างชัดเจน แต่คอมพิวเตอร์กลับไม่สามารถคัดลอกข้อความออกมาได้ถูกต้องแม้แต่คำเดียว ความไม่สอดคล้องกันนี้เกิดขึ้นเพราะ การวาดภาพบนหน้ากระดาษ และ การดึงข้อความเข้าสู่คลิปบอร์ด ใช้โครงสร้างข้อมูลที่แยกออกจากกันโดยสิ้นเชิงตามมาตรฐานสากลของ PDF (ISO 32000-1:2008 ส่วนที่ 9.10, Extraction of Text Content)

เมื่อโปรแกรมอ่าน PDF เรนเดอร์ข้อความขึ้นบนหน้าจอ:

  1. สตรีมเนื้อหาของหน้ากระดาษจะส่งคำสั่งวาดภาพซึ่งประกอบด้วยลำดับของ รหัสอักขระ / รหัสรูปอักขระ (Glyph ID) (ตัวอย่างเช่น <0001 0002 0003> Tj)
  2. เอนจินเรนเดอร์ของ PDF จะเปิดไฟล์ฟอนต์เฉพาะส่วน (Subset font) ที่ฝังอยู่ แล้วค้นหาเส้นโครงร่างเวกเตอร์ของรูปทรงหมายเลข #1 หมายเลข #2 และหมายเลข #3
  3. เอนจินจะวาดเส้นโค้งเบซิเยร์ (Bézier curves) เหล่านั้นลงบนพิกัด (x, y) อย่างแม่นยำ ซึ่งในขั้นตอนนี้ ระบบประมวลผลกราฟิกไม่ได้สนใจแม้แต่น้อยว่ารูปทรงหมายเลข #1 จะเป็นตัวอักษร 'T' เครื่องหมายอินทิกรัล หรือโลโก้ของบริษัท

แต่เมื่อคุณใช้เมาส์ลากคลุมข้อความแถวนั้นแล้วกด Ctrl+C หรือ Cmd+C ข้อมูลเส้นโค้งเวกเตอร์จะไม่มีประโยชน์ต่อคลิปบอร์ดของระบบปฏิบัติการ โปรแกรมอ่าน PDF จำเป็นต้องแปลงรหัส Glyph ID ภายในแต่ละตัวกลับไปเป็นรหัสมาตรฐาน Unicode:

[เส้นทางการเรนเดอร์ภาพบนหน้าจอ]
คำสั่งหน้ากระดาษ (<0001 0002 0003> Tj) ──► เส้นโครงร่างเวกเตอร์ของฟอนต์ ──► พิกเซลตัวอักษรที่คมชัดบนหน้าจอ

[เส้นทางการคัดลอกลงคลิปบอร์ด]
คำสั่งหน้ากระดาษ (<0001 0002 0003> Tj) ──► ตาราง /ToUnicode CMap ของฟอนต์ ──► รหัสข้อความ Unicode (U+0054 "T"...)
                                                │
                                       (หากไม่มีหรือตารางเสียหาย)
                                                ▼
                                    ภาษาต่างดาว / กล่องสี่เหลี่ยม () / ตัวอักษรเลื่อน

หากโปรแกรมสร้าง PDF ได้ตัดทอนฟอนต์ (Subsetting)—เช่น ดึงมาเฉพาะตัวอักษร 42 ตัวที่ใช้ในเอกสาร และกำหนดหมายเลขเรียงตามลำดับที่ปรากฏตั้งแต่ 1 ถึง 42—โดยไม่ได้ฝังตารางสตรีม /ToUnicode ไว้อย่างชัดเจน โปรแกรมอ่านเอกสารก็จะต้องทำการเดาสุ่ม รูปร่างหมายเลข #1 (ซึ่งวาดภาพออกมาเป็นตัวอักษร 'T') อาจถูกจับคู่ผิดเป็น U+0001 (อักขระควบคุมที่ไม่สามารถแสดงผลได้) หรือช่องรหัส Private Use Area (PUA) ซึ่งแสดงผลเป็นรูปสี่เหลี่ยมว่างเปล่า หรือค่า ASCII ที่เลื่อนไปจากตำแหน่งจริง

3 สาเหตุหลักที่ทำให้คัดลอกข้อความจาก PDF แล้วกลายเป็นภาษาต่างดาว

ลักษณะของข้อความที่คัดลอกออกมาผิดเพี้ยนไม่ได้เกิดจากข้อผิดพลาดในรูปแบบเดียวกันทั้งหมด การสังเกตว่า สิ่งที่คุณวางลงในโปรแกรมแก้ไขข้อความเป็นแบบใด สามารถบอกได้ว่าเลเยอร์ใดของ PDF ที่มีปัญหา:

สิ่งที่คุณเห็นเมื่อวางข้อความตัวอย่างทั่วไปสาเหตุที่แท้จริงภายในไฟล์ PDFโปรแกรมแปลงไฟล์ทั่วไป (ไม่ใช้ OCR) แก้ไขได้หรือไม่?
กล่องสี่เหลี่ยมว่างเปล่า เครื่องหมายคำถาม หรืออักขระควบคุมหรือฟอนต์ตัดทอนที่ฝังไว้ใช้การเข้ารหัสแบบ Identity-H หรือรหัสเฉพาะตัว โดยไม่มีตาราง /ToUnicode CMap แนบมาด้วยไม่ได้ เนื่องจากไม่มีข้อมูลการจับคู่อักขระอยู่ในไฟล์เลย
ตัวอักษรเลื่อนตำแหน่ง (Caesar cipher) หรือสัญลักษณ์มั่ว"Hello" → "Khoor" หรือ "!#$%&"การเข้ารหัสฟอนต์แบบ Type 1 / Type 3 แบบกำหนดเอง หรือระบบป้องกันการคัดลอกของสำนักพิมพ์ที่จงใจเลื่อนรหัส Glyph ID ออกจากค่ามาตรฐาน ASCII/Unicodeไม่ได้ โปรแกรมแปลงทั่วไปจะอ่านได้ค่าที่เลื่อนผิดเหมือนกับคลิปบอร์ด
ตัวอักษรหายไปเป็นคู่ หรือสัญลักษณ์แปลกๆ แทรกเข้ามา"efficient" → "ef cient" หรือ "ef?cient"อักขระเชื่อมทางพิมพ์ดีด (Ligatures) (เช่น fi, fl, ffi) หรือสัญลักษณ์คณิตศาสตร์ TeX ถูกจัดเก็บในช่องที่ไม่เป็นมาตรฐานโดยไม่มีการจับคู่แบบหนึ่งตัวไปหลายตัวใน /ToUnicodeได้บางส่วน (ต้องใช้ฟังก์ชันค้นหาและแทนที่ด้วยตนเอง)
ข้อความสะกดผิดปนเปื้อนสับสน (1lI0O และเครื่องหมายวรรคตอนมั่ว)"The result" → "Thc rcsult ~!"ชั้นข้อความ OCR เก่าที่เสียหาย ในเอกสารสแกน: เครื่องสแกนเคยรัน OCR คุณภาพต่ำไว้เมื่อหลายสิบปีก่อน และซ่อนข้อความขยะที่มองไม่เห็นไว้ใต้ภาพสแกนที่คมชัดไม่ได้ จำเป็นต้องลบชั้นข้อความเก่าทิ้งแล้วประมวลผล OCR ใหม่ทั้งหมด (--force-ocr)

1. ขาดตาราง /ToUnicode CMap หรือตารางเสียหายในฟอนต์แบบตัดทอน (Subset)

เพื่อควบคุมขนาดไฟล์ให้เล็กที่สุด โปรแกรมสร้าง PDF เกือบทั้งหมดจะทำการ ตัดทอนฟอนต์ (Subset) เสมอ (เช่น ABCDEF+TimesNewRoman) โดยฝังไว้เฉพาะรูปอักขระที่ใช้งานจริงบนหน้านั้น เครื่องมือคอมไพล์เอกสาร LaTeX รุ่นเก่าอย่าง dvips / ps2pdf, โปรแกรมส่งออกพิมพ์เขียว CAD, ไดรเวอร์เครื่องพิมพ์เสมือนรุ่นเก่า และเวิร์กโฟลว์ของวารสารทางวิชาการบางแห่ง มักจะกำหนดหมายเลข Glyph ID เรียงตามลำดับการปรากฏ (0x0001, 0x0002...) กำหนดค่าการเข้ารหัสเป็น Identity-H และตัดโครงสร้างข้อมูล /ToUnicode ทิ้งไปทั้งหมด

เมื่อดูโครงสร้างอ็อบเจกต์ภายในไฟล์ PDF ฟอนต์ที่ทำงานปกติกับฟอนต์ที่มีปัญหาจะมีความแตกต่างกันเพียงบรรทัดเดียว:

% อ็อบเจกต์ฟอนต์ที่สมบูรณ์ (คัดลอกและวางข้อความได้ตามปกติ)
12 0 obj
<< /Type /Font
   /Subtype /Type0
   /BaseFont /BCDFEE+CMR10
   /Encoding /Identity-H
   /ToUnicode 15 0 R        % <-- ชี้ไปยังสตรีม CMap ที่จับคู่รหัส Glyph ID กลับเป็น Unicode อย่างถูกต้อง
>>
endobj

% อ็อบเจกต์ฟอนต์ที่มีปัญหา (คัดลอกแล้วได้ภาษาต่างดาว)
12 0 obj
<< /Type /Font
   /Subtype /Type0
   /BaseFont /BCDFEE+CMR10
   /Encoding /Identity-H    % <-- มีเพียงรหัสภายใน แต่ไม่มีรายการ /ToUnicode แนบมาด้วย!
>>
endobj

2. อักขระเชื่อม (Ligatures) และการเข้ารหัสสัญลักษณ์คณิตศาสตร์เฉพาะทาง

ในการจัดพิมพ์ระดับประณีต (โดยเฉพาะฟอนต์ Computer Modern ในเอกสารวิชาการจาก LaTeX) ตัวอักษรที่อยู่ติดกันอย่าง f และ i จะถูกหลอมรวมเข้าเป็นรูปอักขระเดียวกัน (fi) หากฟอนต์กำหนดให้รูปอักขระรวมนี้อยู่ในช่องรหัสที่ไม่เป็นมาตรฐาน (เช่น 0x0C) โดยไม่ได้ระบุการจับคู่แบบกระจายตัวในตาราง /ToUnicode (<000C> <00660069>) เมื่อคัดลอกคำว่า "first" จึงได้ผลลัพธ์เป็น " rst" หรือ "?rst" ปัญหานี้ยังเกิดขึ้นกับตัวอักษรกรีก เครื่องหมายลบ และสัญลักษณ์ผลรวมทางคณิตศาสตร์ที่จัดเก็บในฟอนต์ Type 1 อีกด้วย

3. ชั้นข้อความ OCR เก่าที่ซ่อนอยู่ใต้ภาพสแกนที่คมชัด

เมื่อคุณเปิดเอกสารจดหมายเหตุ เอกสารราชการ หรือหนังสือเก่าที่ผ่านการสแกน ภาพที่คุณมองเห็นบนหน้ากระดาษแท้จริงแล้วคือไฟล์ภาพบิตแมปความละเอียดสูง (JPEG หรือ JBIG2) และเพื่อให้เอกสารนี้สามารถค้นหาคำได้ เครื่องสแกนในอดีตเมื่อ 10 ถึง 15 ปีก่อนมักจะรันซอฟต์แวร์ OCR แบบหยาบๆ แล้วนำชั้นข้อความโปร่งแสงที่มองไม่เห็น (โหมดเรนเดอร์ 3 Tr) ซ้อนทับไว้เหนือภาพ เมื่อคุณใช้เมาส์ลากไฮไลต์ สายตาของคุณมองเห็นภาพสแกนที่คมชัด แต่เมาส์ของคุณกำลังเลือกชั้นข้อความ OCR เก่าที่เต็มไปด้วยข้อผิดพลาดอยู่เบื้องหลัง

การวินิจฉัยใน 10 วินาที: ตรวจสอบตารางฟอนต์ของไฟล์ PDF

ก่อนที่จะเสียเวลาทดลองโปรแกรมอ่าน PDF หลากหลายตัว หรือส่งไฟล์เข้าเว็บไซต์แปลง "PDF เป็น Word" ให้สละเวลา 10 วินาทีเพื่อตรวจสอบตารางฟอนต์ของเอกสาร

วิธีที่ 1: รันคำสั่ง pdffonts ผ่านเทอร์มินัล (เร็วที่สุด)

หากคุณติดตั้งชุดเครื่องมือประมวลผล PDF แบบโอเพนซอร์ส Poppler ไว้ในเครื่อง (brew install poppler สำหรับ macOS หรือ sudo apt install poppler-utils สำหรับ Ubuntu/Debian) ให้เปิดเทอร์มินัลแล้วรันคำสั่ง:

pdffonts document.pdf

ตรวจสอบคอลัมน์ sub (ฟอนต์ตัดทอน) และ uni (มีตาราง /ToUnicode หรือไม่) ในตารางผลลัพธ์:

name                                 type              encoding         emb sub uni object ID
------------------------------------ ----------------- ---------------- --- --- --- ---------
GJXPKL+CMR10                         Type 1C           Custom           yes yes no       14  0
GJXPKM+CMSY10                        Type 1C           Custom           yes yes no       18  0
ArialMT                              TrueType          WinAnsi          yes no  yes      22  0
  • uni = yes: ฟอนต์มีตาราง /ToUnicode หากคัดลอกแล้วยังได้ภาษาต่างดาว แสดงว่าตารางจับคู่รหัสอาจถูกป้อนค่ามาอย่างผิดเพี้ยน (มักพบในเอกสารที่จงใจป้องกันการคัดลอก) หรือคุณกำลังเลือกโดนชั้นข้อความ OCR เก่าที่เสียหาย
  • sub = yes และ uni = no: จุดชี้ขาด. ฟอนต์นี้เป็นฟอนต์ตัดทอนที่มีการเข้ารหัสเฉพาะตัว และไม่มีข้อมูลการจับคู่รหัส Unicode ใดๆ อยู่ในไฟล์เลย ไม่มีโปรแกรมอ่าน PDF หรือโปรแกรมแปลงไฟล์ทั่วไปโปรแกรมใดที่จะสามารถดึงข้อความที่ถูกต้องออกมาจากสตรีมฟอนต์นี้ได้

วิธีที่ 2: ตรวจสอบผ่านเมนู File > Properties > Fonts ใน Adobe Acrobat Reader

หากคุณสะดวกใช้หน้าต่างกราฟิก:

  1. เปิดไฟล์ PDF ด้วยโปรแกรม Adobe Acrobat Reader
  2. กดคีย์ลัด Ctrl+D (Cmd+D บน macOS) หรือไปที่เมนู File > Properties แล้วคลิกที่แท็บ Fonts
  3. คลี่ดูรายชื่อฟอนต์ที่ใช้ในหน้าที่เกิดปัญหา หากพบว่าฟอนต์ที่ระบุว่า (Embedded Subset) มีค่า Encoding: Custom หรือ Encoding: Identity-H (โดยเฉพาะฟอนต์ประเภท Type 1, Type 3 หรือ CID) ฟอนต์นั้นคือต้นตอที่ทำให้ข้อความในคลิปบอร์ดเพี้ยน

วิธีกู้คืนและดึงข้อความที่ถูกต้องออกมาใช้งาน

เมื่อยืนยันได้แล้วว่าไฟล์ขาดตาราง /ToUnicode (uni = no) หรือชั้นข้อความ OCR เดิมเสียหาย ขอแนะนำให้หยุดใช้วิธีลัดในการคัดลอกหรือโปรแกรมแปลง "PDF เป็น Word" ที่ไม่ใช้เทคโนโลยี OCR เพราะโปรแกรมเหล่านั้นจะอ่านชุดข้อมูลฟอนต์ที่ผิดพลาดชุดเดียวกัน ทางออกเดียวที่จะกู้คืนข้อความที่อ่านออกได้ คือการข้ามรหัสอักขระภายในไฟล์ แล้วอ่านรูปทรงของตัวอักษรที่มองเห็นบนหน้าจอโดยตรงผ่านระบบ Optical Character Recognition (OCR)

ทางออกที่ 1: ดึงข้อความสั้นๆ ด้วยฟังก์ชัน Screen OCR บนระบบปฏิบัติการ

หากคุณต้องการคัดลอกเพียงย่อหน้าสั้นๆ หนึ่งหรือสองย่อหน้า ข้อมูลในตาราง หรือรายการอ้างอิง:

  • macOS (ใช้แอป Preview หรือ Live Text จากการแคปหน้าจอ): กดแคปหน้าจอบริเวณข้อความที่ต้องการ (Cmd+Shift+4) แล้วเปิดภาพด้วย Preview ฟีเจอร์ Live Text ของ macOS จะมองข้ามโครงสร้างฟอนต์ของ PDF ไปทั้งหมด และช่วยให้คุณสามารถไฮไลต์เพื่อคัดลอกข้อความจากรูปภาพได้โดยตรง
  • Windows (ใช้ PowerToys Text Extractor): กดปุ่มลัด Win+Shift+T แล้วลากกรอบคลุมข้อความบนหน้าต่าง PDF ข้อความที่ระบบตรวจจับได้จะถูกส่งตรงเข้าสู่คลิปบอร์ดทันที

ทางออกที่ 2: สร้างชั้นข้อความใหม่ทั้งไฟล์ด้วยคำสั่ง ocrmypdf --force-ocr

หากคุณต้องการให้ไฟล์ PDF ความยาวหลายสิบหน้าสามารถค้นหาข้อความและกด Ctrl+C ได้อย่างถูกต้องตลอดทั้งเล่ม ให้ใช้เครื่องมือ ocrmypdf ร่วมกับออปชัน --force-ocr โปรแกรม OCR ทั่วไปมักจะข้ามหน้าเอกสารที่มีสตรีมข้อความอยู่แล้ว แต่ออปชัน --force-ocr จะเรนเดอร์หน้าเวกเตอร์ออกมาเป็นรูปภาพที่ความละเอียด 300 DPI กำจัดชั้นฟอนต์หรือข้อความ OCR เก่าที่มีปัญหาทิ้งไป แล้วสร้างชั้นข้อความ Unicode ใหม่ที่แม่นยำฝังกลับเข้าไปแทน:

# ติดตั้ง ocrmypdf (macOS / Ubuntu)
brew install ocrmypdf
# หรือ: sudo apt install ocrmypdf

# บังคับแทนที่เลเยอร์ฟอนต์ที่เสียหายด้วยเลเยอร์ข้อความ Unicode ใหม่
ocrmypdf --force-ocr broken-input.pdf clean-copyable.pdf

หากเอกสารมีหลายภาษา (เช่น คู่มือทางเทคนิคที่มีภาษาอังกฤษและภาษาเยอรมันหรือภาษาจีน) ให้ระบุรหัสภาษาของ Tesseract เพิ่มเติม (เช่น -l eng+deu หรือ -l eng+tha)

ทางออกที่ 3: แปลเอกสารวิชาการหรือคู่มือเทคนิคภาษาต่างประเทศโดยไม่ต้องก๊อปปี้ทีละส่วน

บ่อยครั้งที่สาเหตุซึ่งทำให้คุณพบปัญหาตัวอักษรต่างดาว เกิดจากการที่คุณพยายามคัดลอกเนื้อหาภาษาต่างประเทศที่ซับซ้อนจากเปเปอร์วิชาการแบบสองคอลัมน์หรือคู่มือวิศวกรรม เพื่อนำไปวางลงในโปรแกรมแปลภาษาบนเว็บ

แทนที่จะต้องมานั่งแก้ไขข้อความเพี้ยนในคลิปบอร์ด ซ่อมคำที่ตัวอักษรเชื่อมขาดหาย หรือต่อประโยคที่ถูกตัดข้ามคอลัมน์ด้วยตนเอง คุณสามารถอัปโหลดไฟล์ PDF เข้าสู่ระบบแปลเอกสารที่เข้าใจโครงสร้างเลย์เอาต์ผ่าน OCR เช่น Equalang Document Translation (ดูรายละเอียดเพิ่มเติมที่ วิธีแปลและอ่านเอกสาร PDF ควบคู่กัน) การประมวลผลจากโครงสร้างภาพโดยตรงจะช่วยข้ามปัญหาตาราง /ToUnicode ที่ขาดหาย คงรูปแบบคอลัมน์ ตาราง และสูตรทางคณิตศาสตร์ไว้อย่างครบถ้วน พร้อมทั้งให้คุณเปิดอ่านต้นฉบับเทียบเคียงกับหน้าแปลคู่ขนานกันได้อย่างสะดวกในพื้นที่ทำงาน

หน้าต่างแสดงเอกสารงานวิจัยภาษาอังกฤษแบบสองคอลัมน์เปิดเทียบเคียงกับหน้าแปลใน Equalang
เมื่อไฟล์ PDF ขาดตาราง /ToUnicode จนคัดลอกข้อความไม่ได้ การแปลเอกสารทั้งเลย์เอาต์ช่วยหลีกเลี่ยงปัญหาการสกัดข้อความผิดเพี้ยน

คำถามที่พบบ่อย (FAQ)

ทำไมเมื่อซูมดูไฟล์ PDF ที่ 400% ตัวหนังสือยังดูคมชัดมาก แต่พอก๊อปปี้แล้วยังกลายเป็นภาษาต่างดาว?

เพราะความคมชัดในการมองเห็นเกิดจาก เส้นโครงร่างเวกเตอร์ของรูปอักขระ (Vector glyph outlines) ซึ่งเป็นสมการเส้นโค้งทางคณิตศาสตร์ที่ฝังอยู่ในฟอนต์ ในขณะที่การคัดลอกและวางต้องอาศัย ตารางจับคู่รหัสอักขระเป็น Unicode (/ToUnicode CMap) โปรแกรมอ่าน PDF จึงสามารถวาดรูปทรงเรขาคณิตของตัวอักษรได้อย่างคมชัดในทุกระดับการซูม แม้ว่าจะไม่มีข้อมูลระบุเลยว่ารูปทรงนั้นคือตัวอักษรตัวใดก็ตาม

การปลดล็อกรหัสผ่านหรือลบการจำกัดสิทธิ์ของไฟล์ PDF จะช่วยแก้ปัญหานี้ได้หรือไม่?

ไม่ได้ การกำหนดสิทธิ์ของ PDF มีผลเพียงแค่ควบคุมว่าปุ่มคำสั่ง "คัดลอก (Copy)" ในเมนูสามารถคลิกได้หรือไม่ หากคุณสามารถใช้เมาส์ไฮไลต์ข้อความ กด Ctrl+C แล้วมีข้อความถูกวางลงมาได้ (แม้จะเป็นกล่องสี่เหลี่ยมหรือตัวอักษรเพี้ยน) แสดงว่าไฟล์ไม่ได้ติดระบบจำกัดสิทธิ์ แต่เกิดจากตาราง /ToUnicode ขาดหายหรือเสียหายในอ็อบเจกต์ฟอนต์

ทำไมการเปิดไฟล์ PDF ด้วย Microsoft Word หรือใช้เว็บแปลงไฟล์ PDF เป็น Word ถึงได้ตัวสัญลักษณ์มั่วเหมือนเดิม?

โปรแกรมแปลงไฟล์ PDF เป็น Word ส่วนใหญ่ดึงข้อมูลสตรีมข้อความจากพจนานุกรมฟอนต์ภายในไฟล์โดยตรงโดยไม่ได้ผ่านกระบวนการตรวจจับตัวอักษรด้วยภาพ (OCR) เมื่อคำสั่ง pdffonts แสดงผลว่า uni = no รหัสระบุตัวอักษรจึงไม่มีอยู่จริงในไฟล์ ดังนั้นเครื่องมือใดก็ตามที่ไม่ได้ใช้การอ่านตัวอักษรทางสายตา ย่อมให้ผลลัพธ์เป็นข้อความขยะชุดเดียวกันอย่างหลีกเลี่ยงไม่ได้

แหล่งอ้างอิง