from:http://bbs.csdn.net/topics/340109816
PDF为了识别所有的字符，给每一个文字都赋予一个唯一的编码，叫CID。
然后又提供了不同的字体编码与CID的Map文件和CID和Unicode的Map文件。参照Resources\cmap\00_readme.pdf文件，就可以知道这些文件是什么。
一般的PDF文件中文字识别的方法应该是从PDF文件解析出来字体名称和文字编码后，从对应的CMap文件中找到该文字编码对应的CID。然后再根据CID从CID和Unicode的Map文件找到对应的Unicode。
PDF从页描述命令中，可以知道文字打印的位置与高度（字号），但它的宽度则必须取决于字型。除此之外，字型同时也决定了字码，因此需要说明一下PDF文件里的字型信息。字型信息是放在额外资源里（Pages或Page对象的Resources属性值），它本身是一个词典对象。以下为其相关的属性：(1) Type：后接名称对象，必须是Font(2) Subtype：后接的名称对象表示其字型型态，可能是Type0、Type1、MMType1、Type3、TrueType(3) ToUnicode：如果有的话，后接的串流对象表示用来转换成Unicode字码的CMap（后述）
对于一个非Type0的字型，输入字码一律是一个byte，取得Unicode字码的方式如下：
(1) 如果有ToUnicode CMap的话，便直接到该CMap取得对应的Unicode字码
(2) 如果找不到对应的Unicode字码，便依输入字码到Encoding信息里取得该字码对应的字符名称
(3) 依照取得的字符名称转成对应的Unicode字码（不一定能转换，此时表示显示出来的字没有对应的Unicode字码，或是writer并未附相关的Unicode字码转换信息）
由于要从PDF文件中取出正确的文字出来，必须基于PDF Writer所附的转码表，但早期的PDF文件大都未附（因为那时候只重视原文重现，还未有原文再利用的观念），在这种情况下取出的文字，一定是乱码，而且完全无解。这点大家必须牢记在心。
至于取得宽度信息的方式如下：
(1) 依输入字码到Width信息中取得对应的宽度信息
(2) 如果没有对应的宽度信息，则取内定宽度Type0字型要取得Unicode字码与宽度信息比较麻烦些。由于Type0字型的输入字码允许多byte，无论1 byte、2 byte、4 byte都可以，也可以相互混用（只要不冲突即可，例如繁体中文BIG5码在20h～7Eh便是1 byte，8140h～FEFEh便是2 byte），因此要决定输入字码的byte数，便必须利用Encoding属性里的CMap信息。Encoding CMap会将输入的字码转成Font Selector和CID，也就是对应到DescendantFonts字型数组里的那个字型与那个字。DescendantFonts数组里的字型，存有字型宽度与字集的相关信息，而且该字型的型态必须是CIDFontType0或CIDFontType2，下面便是这两种字型型态的属性：
(1) CIDSystemInfo：后接的词典信息用来说明本字型的字集
(2) DW：如果有的话，后接的实数表示内定的宽度（即未定义在W属性里字码应使用的宽度）
(3) W：如果有的话，
后接的数组用来定义各字码的宽度CIDSystemInfo的属性如下：
(1) Registry：后接的字符串表示字集类别，例如Adobe
(2) Ordering：后接的字符串表示字集名称，Adobe类别目前有Japan1、Korea1、GB1、CNS1等4种
由于CIDSystemInfo里记录了该字型使用的字集，而每种字集的CID都是固定的，因此只要知道这个字集，即可将Encoding CMap转出来的CID再转成Unicode字码（如果有ToUnicode CMap，当然要先由ToUnicode CMap决定）。以目前而言，我们需要制作4份Adobe标准的字集CID转Unicode字码表，所幸Acrobat Reader有附这部份的CMap定义档，名称后面加-UCS2的就是了，例如Adobe-CNS1-UCS2，因此我们可以将之视为ToUnicode CMap定义档，直接加载用来转码即可（但有版权问题，因此最好还是自行做成转码表）。如果没有ToUnicode CMap，又无法辨识CIDSystemInfo里的字集，那就无法转换出正确的Unicode字码了。
至于W的数组内容格式有下列两种：
起始CID 宽度数组
起始CID 结束CID 宽度
第一种格式表示由该CID开始的宽度，都定义在宽度数组中，数目由宽度数组决定。
第二种格式表示在该范围的CID都是使用后面所指示的宽度。
综合一下，Type0字型取得Unicode字码的方式如下：
(1) 如果有ToUnicode CMap的话，便直接到该CMap取得对应的Unicode字码
(2) 如果找不到对应的Unicode字码，便利用Encoding CMap将输入字码转成Font Selector和CID
(3) 依Font Selector到DescendantFonts取出对应的CID字型，由其CIDSystemInfo决定字集名称，再依该字集名称的CID转Unicode字码表转换成Unicode字码
取得宽度信息的方式如下：
(1) 利用Encoding CMap将输入字码转成Font Selector和CID
(2) 依Font Selector到DescendantFonts取出对应的CID字型，再到该字型依CID取得宽度信息，如果没有宽度信息，则使用内定宽度信息
如此全部字型的Unicode字码与宽度信息取法都已明朗化了，剩下的便只有Encoding CMap和ToUnicode CMap这两个而已。以下便开始说明这两个CMap。Encoding CMap可以是一个名称对象，或是一个串流对象，如果是一个名称对象，便表示为内定的Encoding CMap。
PDF文件定义了许多常用内定的Encoding CMap，其目的当然便是要减少PDF文件的大小。至于有那些内定的Encoding CMap，可以直接到Acrobat Reader程序目录里找CMap目录，里面便有一堆（且随着版本更新而增加）。因此我们的做法最好也是附上这些文件，然后在遇到标准的Encoding CMap名称时，再去找对应相同名称的CMap定义档，读取其CMap定义。其中有2个比较特别的定义：Identity-H和Identity-V，这两个都是直接将2 byte输入字码视为CID处理（high byte在前）。虽然CMap目录里也有附这两个标准CMap定义档，但由于很常见，故为了速度考虑，可以直接另行处理。
如果Encoding CMap不是一个内定的Encoding CMap名称，则必须以串流对象来定义它，下面便是串流对象CMap的重要属性：
(1) Type：后接名称对象，必须是CMap
(2) UseCMap：如果有的话，后接的CMap（可能是名称对象或串流对象），系为本CMap数据的基准，其后接的串流数据，便是用来修改此一基准，成为本CMap的实际内容
(3) WMode：如果有的话，后接的数字若是1表示为直排字型，内定为0（会影响排字走向）
虽然在串流数据里定义的CMap内容，必须符合“Adobe CMap and CIDFont File Specification”里定义的语法，不过由于Encoding CMap和ToUnicode CMap的格式不太一样，我们还是分别予以说明。Encoding CMap的格式如下（只取相关部份，其余均可略过，标准Encoding CMap定义档的内容也是相同形式）：
… （略）
begincmap基准名称
usecmapcmap文件头信息（不重要，可略过）
范围定义（不重要，可略过）
转码定义
*endcmap
… （略）
若有usecmap表示做为基准的内定Encoding CMap名称，后面的定义是用以修改此基准定义的数据。
转码定义的格式如下：
字型索引 usefont
定义项数 begincidrange
范围转码定义*
endcidrange
字型索引便是Font Selector，用来表示其后转出的CID是对应到那个CID字型（由0编起）。如果省略的话，则沿用前面的定义，如果都没有，则内定为0。范围转码定义的形式如下：
开始字码 结束字码 CID
表示输入的起迄字码范围，刚好对应到后面CID开始的数字。注意开始字码／结束字码的格式为字符串对象，而CID是数字对象。字符串的长度同时也表示了输入字码的长度，
例如：<20>表示输入字码只需一个byte<0020>表示输入字码要2个byte
至于ToUnicode CMap，它本身必须是一个串流数据（因为没有内定的ToUnicode CMap，故串流对象里的UseCMap属性也不能是名称对象），其格式如下：
… （略）
begincmapcmap
文件头信息（不重要，可略过）
范围定义（不重要，可略过）
转码定义*
endcmap
… （略）
转码定义的格式如下：
定义项数 beginbfrange
范围转码定义*
endbfrange
或是
定义项数 beginbfchar
字符转码定义*
endbfchar
范围转码定义有下列两种形式：
开始字码 结束字码 对应的开始Unicode字符串
开始字码 结束字码 [各字码应转换的Unicode字符串]
第一种形式表示符合该字码范围的文字，刚好线性地对应到Unicode字符串开始的一个连续区。
第二种形式表示符合该字码区的文字，必须到后面的字符串数组中取得对应的Unicode字符串。至于字符转码定义，则是：
字码 该字码应转换的Unicode字符串
这边必须注意的是，转换后的Unicode字符串可能有多个Unicode字符（无论任何转码定义形式），
例如：<005F8192> <00660069>表示当输入字码符合00h,5Fh,81h,92h时（4 byte），便将它转成0066h、0069h这两个Unicode字码（也就是fi）。