断字

TET 检测跨多行的连字符，删除连字符，然后将各个部分组合成一个完整的单词。尽管文档中存在连字符部分，但这对于确保成功搜索完整单词非常重要。破折号（不同于连字符）被分开处理，因为它们不能被删除。

阴影和人工粗体文本检测

数字文档通常包含阴影文本，其中阴影效果是通过在页面上放置相同的文本来实现的，使用文本实例之间的小偏移量。类似地，粗体文本通常通过叠印相同的文本来模拟。因此，文档不止一次包含阴影或粗体字中的字符。TET 的专利阴影检测算法可识别并删除多余的文本实例，以避免过多的文本提取。虽然其他软件会多次提取阴影或粗体文本，但 TET 会正确删除冗余副本。虽然单词的额外实例仍会导致搜索引擎命中，但如果文本像示例中那样逐字符重复，则不会找到更多命中。

重音字符

在许多语言中，重音符号和其他变音符号靠近其他字符放置以形成组合字符。一些排版程序，例如特别是 TeX，发出两个单独的字符（基本字符和重音）来创建一个组合字符。例如，要创建字符 ä，首先将字母 a 放在页面上，然后将分词字符 ¨ 放在它的顶部。TET 检测到这种情况并将两个字符组合成适当的复合字符。

连字

连字将两个或多个字符组合在一个字形中。最常见的连字是fi、fl和ffi 的组合；不太常见的连字用于Th、sp、ct、st和许多其他。从数字文档中提取文本时，必须分析连字并将其分离为组成字符，以便进行适当的文本处理。TET 检测连字并根据需要提供两个或更多字符。如果需要，TET 可以选择保留连字。

首字下沉

首字下沉是段落开头的大首字母，首字母的顶部与行首对齐，其余的字符下降几行。首字下沉用于强调段落的开头。如果它们没有被正确处理，则初始单词将被提取为两部分：单个初始字符和单词的其余部分。

Unicode 映射

Unicode 映射构成了 PDF 文本提取的基础：页面上的每个字形都必须分配相应的 Unicode 值。PDF 通过支持各种字体和编码变体使这项任务复杂化，这些变体可能会或可能不会提供分配正确 Unicode 值所需的信息。在最坏的情况下，文档没有提供足够的信息，导致无法从文档中提取可用的文本。
TET 获得专利的 Unicode 映射算法实现了一种级联算法，该算法采用所有可用的信息片段来确定 Unicode 值。对于许多有问题的文档，TET 提取正确的 Unicode 文本，而其他产品仅提供不可用的垃圾。

阿拉伯语和希伯来语双向文本

PDF 不编码逻辑文本，而只是页面上字形的容器。阿拉伯语和希伯来语脚本中的文本从右到左运行。由于它通常包含从左到右的插入，例如西方语言中的数字或名称，因此必须在两个方向上解释文本 - 因此术语“双向”。阿拉伯语带来了额外的挑战，因为这些字符最多以四种不同的上下文形式使用。这些形状的字符形式必须标准化为相应的标准（孤立）形式。

损坏的 PDF 文件

PDF 文档可能会因为传输错误或其他问题而损坏。TET 的修复模式可以恢复多种损坏的 PDF。有时 PDF 文档损坏严重，以至于页面甚至无法在 Acrobat 中显示。即使在这种极端情况下，TET 也经常提供文档的页面内容。

颜色空间和压缩

PDF 中的光栅图像数据可以使用 11 个颜色空间和 9 个压缩过滤器的组合进行编码，但常见的图像文件格式（如 JPEG 和 TIFF）仅支持这些组合的子集。TET 的图像引擎平衡了 PDF 图像的特性和图像输出格式的能力。无论PDF图像的内部结构如何，像素图像都是以一种常见的图像文件格式提取的。

专色

除了 CMYK 印刷色之外，PDF 中的图像还可以使用自定义专色。从技术上讲，这些色彩空间被称为分离（单通道）和 DeviceN（多通道）。
TET 创建带有附加专色通道的 TIFF 输出。这适用于需要出色色彩保真度且不能接受任何色彩转换的应用。如果具有 DeviceN 颜色的图像仅包含常见 CMYK 印刷色的子集（例如，仅青色和洋红色），则会添加缺少的印刷通道，以便可以创建纯 CMYK 输出。
但是，并非所有应用程序都能够处理专色通道；有些仅限于纯 TIFF 输出。在这种情况下，可以指示 TET 将专色通道作为灰度 TIFF 发出以促进处理。

合并碎片图像

许多 PDF 文档中的图像被生成 PDF 的软件分成小片段。页面上看似单一的图像实际上可能由许多小块组成。例如，Microsoft Office 应用程序通常会生成由成百上千个小片段组成的高度碎片化的图像。Adobe InDesign 经常在称为“透明度拼合”的过程中将图像分割成不同大小的片段。如果组合结果形成矩形像素网格，TET 会检测碎片图像并合并碎片以形成可用的更大图像。只有通过图像合并，碎片图像才能合理地重新利用。