如何从 pdf 文档中获取字符偏移信息？ [关闭]答案

【问题标题】：How do I get character offset information from a pdf document? [closed]如何从 pdf 文档中获取字符偏移信息？ [关闭]
【发布时间】：2010-09-16 20:13:47
【问题描述】：

我正在尝试在网络应用程序中实现 pdf 的搜索结果突出显示。我有原始 pdf 文件和搜索结果中使用的小 png 版本。本质上我正在寻找这样的 api：

pdf_document.find_offsets('somestring')
# => { top: 501, left: 100, bottom: 520, right: 150 }, { ... another box ... }, ...

我知道可以从 pdf 中获取这些信息，因为 Apple 的 Preview.app 实现了这一点。

需要在 Linux 上运行并且理想情况下是开源的东西。我知道您可以在 Windows 上使用 acrobat 来执行此操作。

【问题讨论】：

嗨 quackingduck，你能找到答案吗？如果是，请在此处发布。
@Thushan pdftohtml -xml => <text top="650" left="72" width="426" height="22" font="6">It also contains

标签： search pdf

【解决方案1】：

CAM::PDF 可以很好地完成几何部分，但有时在字符串匹配方面会遇到一些问题。该技术类似于以下经过轻微测试的代码：

use CAM::PDF;
my $pdf = CAM::PDF->new('my.pdf') or die $CAM::PDF::errstr;
for my $pagenum (1 .. $pdf->numPages) {
   my $pagetree = $pdf->getPageContentTree($pagenum) or die;
   my @text = $pagetree->traverse('MyRenderer')->getTextBlocks;
   for my $textblock (@text) {
      print "text '$textblock->{str}' at ",
            "($textblock->{left},$textblock->{bottom})\n";
   }
}

package MyRenderer;
use base 'CAM::PDF::GS';

sub new {
   my ($pkg, @args) = @_;
   my $self = $pkg->SUPER::new(@args);
   $self->{refs}->{text} = [];
   return $self;
}
sub getTextBlocks {
   my ($self) = @_;
   return @{$self->{refs}->{text}};
}
sub renderText {
   my ($self, $string, $width) = @_;
   my ($x, $y) = $self->textToDevice(0,0);
   push @{$self->{refs}->{text}}, {
      str => $string,
      left => $x,
      bottom => $y,
      right => $x + $width,
      #top => $y + ???,                                                                                 
   };
   return;
}

输出看起来像这样：

text 'E' at (52.08,704.16)
text 'm' at (73.62096,704.16)
text 'p' at (113.58936,704.16)
text 'lo' at (140.49648,704.16)
text 'y' at (181.19904,704.16)
text 'e' at (204.43584,704.16)
text 'e' at (230.93808,704.16)
text ' N' at (257.44032,704.16)
text 'a' at (294.6504,704.16)
text 'm' at (320.772,704.16)
text 'e' at (360.7416,704.16)
text 'Employee Name' at (56.4,124.56)
text 'Employee Title' at (56.4,114.24)
text 'Company Name' at (56.4,103.92)

从该输出中可以看出，字符串匹配会有点乏味，但几何图形很简单（可能除了字体高度）。

【讨论】：

【解决方案2】：

尝试查看 PdfLib TET http://www.pdflib.com/products/tet/

（它不是免费的）

法布里齐奥

【讨论】：

【解决方案3】：

我认为您可以使用 Adobe Acrobat SDK 执行此操作，其 Linux 版本可以是 downloaded for free from Adobe。您可以将其用于extract text from PDFs，然后计算出偏移量。然后可以使用 Acrobat XML highlighting file 突出显示 PDF。这用于指定要突出显示的位置的哪些单词，并按如下方式馈送到 acrobat：

http://example.com/a.pdf#xml=http://example.com/highlightfile.xml

【讨论】：