PDF に謎の漢字が含まれるとき

gistfile1.md PDF に謎の漢字が含まれるとき PDF などの中にある一部の日本語の漢字が、見た目は同じだけど異なる謎の文字に変換されていることがある 例 1: https://www.mhlw.go.jp/content/10906000/000628667.pdf 「長野」と「長崎」の「長」が、 U+9577 ではなく「⾧ (U+2FA7)」になっている 例 2: https://www.dpri.kyoto-u.ac.jp/news/12739/ 大量にある、どうしてこうなった PDF ではないので何かからコピーして書いた？ この文字は 康煕部首 (Kangxi Radicals) というもので、部首としての文字である ＭＳ ゴシックなど Kangxi Radicals の字形がないフォントを指定すると表示できないので区別しやすい どこから来たのか？ これらは（フォントに

[ajisaiotoko]

なんか長崎連呼してもらって嬉しい（故郷

[DustOfHuman]

康煕部首問題、文字列扱ってるといつしかぶち当たりますね……「NFKC正規化処理」って始めて知りましたが組文字(㍑みたいなやつ)まで正規化される問題はあるようです

[ya--mada]

マジか、まだまだマルチバイト文字の処理はおざなりなんだな…。

[Sinraptor]

部首について論じてる文書だと非常に困るな

[kouhii]

日本語があやしい海外のゲームとかでメッセージにサイズが違う文字がポツポツ混じってたりするのもこれ関係あるんだろうか

[nakag0711]

これpdfの仕様書からコピーするとコードにまじっちゃうんだよね。ms printのせいか

[kenjiro_n]

部首漢字が悪さをするという話。この概念が広まっていないということでか「謎の漢字」というタイトルになっている。

[furu_ichi]

忘れた頃にこの問題にハマりそうな気がするのでブックマークしておこう。

[TakamoriTarou]

PDFの最適化処理の中に、スキャンした文字をよく似たグリフに置き換えて軽くすると言う奴が確か会ったはずだけど、あのあたりの誤爆なのかしら。プリンタでスキャンしたPDFの文字が一部おかしくなるアレ

[xnissy]

pdfからコピペしてググるとなぜかヒットしない、というので気付く。見た目は一緒で気付けないから非常に困る。

[skam666]

“康煕部首(中略)U+2F00-U+2FD5に配置されているので通常の漢字(U+4E00以降)より前にある。そのため、仮想PDFプリンタなどで変換するときに誤って参照されている可能性がある”

[jitojito]

Print To PDF は印刷情報からPDFを作るからか、外字などもアウトラインでPDFになって見える反面文字情報がなくなる。これをAcrobat

[gogatsu26]

“フォントに「メイリオ」を指定して 長崎県 とだけ書いた .docx ファイルを用意し、Microsoft Print to PDF を使って PDF に変換すると、「長 (U+9577)」が「⾧ (U+2FA7)」に変換される”

[Akaza]

“Word で直接 PDF ファイルを保存すると、変換されずに保存できる”

[sds-page]

SJISのエディタに張り付けた時に化けるので気づいた。SJISをないがしろにした呪いじゃ(言いがかり)

[zu2]

“この文字は 康煕部首 (Kangxi Radicals) というもので、部首としての文字である”

[himako13]

あるある。PDFからメモ帳にコピペすると見える

[raebchen]

自分は、なんでエクスポートのpdfと、Microsoft print to pdfの2種類があるのか、ずっと謎なんだが😳

[yarumato]

“PDFの一部の日本語の漢字が、見た目は同じだけど異なる謎の文字（康熙部首文字 Kangxi Radicals）に変換されることがある。Microsoft Print to PDFを使ってdocxをPDFに変換すると再現。Word で直接PDF保存すると変換されずに保存”

[issm]

j[charset][unicode][kanji]

[everybodyelse]

ひえーーーーー

[stealthinu]

部首を表すためだけの漢字がありそれが混ざる時がある。仮想PDFプリンタでPDFに変換するとき、少なくともフォントがメイリオでMS print to PDFだと化けるらしい。

[side_tana]

へー

[udzura]

なるほど

[fujihiro0]

リンクたどると根深い問題であることがわかる。Acrobat Distiller でも再現するそうだ。 https://b.hatena.ne.jp/entry/espresso3389.hatenablog.com/entry/20090526/1243327471

[efcl]

PDFのコピペで生まれる謎の感じ 康煕部首 (Kangxi Radicals)