1.0.1 PDF中带有Ligature特征的字体文字抽取错误

[klizet]

Description of the bug | 错误描述

典型案例如ff、fi、fl等字符在一些字体里被编码成一个字符，但一般的PDF解析库在从pdf的stream向文字抽取的过程中，有一个tounicode的逆向格式化动作，将以上字符恢复成两个独立字符；目前发现1.0.1会将以上连字字符恢复出的倒数最后几个字符丢弃（fi->f，ffi->f），从而导致相关文字发生信息恢复的错误。

0.9.2 无此问题。

How to reproduce the bug | 如何复现

magic-pdf.json 关于模型版本配置如下：

"models-dir": "...\\.cache\\huggingface\\hub\\models--opendatalab--PDF-Extract-Kit-1.0\\snapshots\\60416a2cabad3f7b7284b43ce37a99864484fba2/models",

Source：https://github.com/MiniMax-AI/MiniMax-01/blob/main/MiniMax-01.pdf

得到的markdown中，存在find -> fnd，different-> diferent, efficient->efcient 等错误。

Operating system | 操作系统

Windows

Python version | Python 版本

3.11

Software version | 软件版本 (magic-pdf --version)

1.0.x

Device mode | 设备模式

cuda

[myhloli]

这个文档和一般的使用连字符的不一样，他的字符构成是拆分成两个字符，通过控制后面的字符宽度为0来调整排版。

我们在最新版中加入了一个移除无宽度字符的方案，导致这些无宽度的字符被移除，后续我们关闭无宽度字符的移除再测试一下。

[myhloli]

fixed at #1601

[klizet]

经测试，[#1601] 会导致程序无法正常运行，出现除0错误；应急便捷方案可能只需注释 continue；更完善的测试需要深入修改。

[myhloli]

你iou那里改了吗？1601里连带着除0的一起改了的吧

[klizet]

是的 ，是我疏忽了