更新：如何定位到 PDF 文件中的确切位置？

Question

也许这个问题看起来有点奇怪，但它有一个非常实用的用例。

假设我们选择了 PDF 文件的任意部分来生成校验和，例如以下屏幕截图中的选定文本（突出显示的文本）：

然后我们使用哈希函数从选定的文本中生成校验和。 我们交付（而不是发送）整个 PDF 文件连同此校验和到接收方，以便该接收方不知道 PDF 文件的哪个部分已被选择和散列。 并且这个接收者想要验证这个校验和。因此，他们需要确切地知道 PDF 文件的哪个部分已被选中和散列。所以，我们需要找到一个解决方案，让这个接收者可以找到所选和散列文本的确切位置。

由于散列函数不可逆，问题在于：

此接收器如何在 PDF 文件中准确找到选定和散列的文本？

例如，确定PDF文件中所选和散列文本的确切位置和位置是否可行？ （它非常敏感，因为即使是错误的字符或空格也会导致校验和验证失败。）

是否有可靠的方法来应对这一挑战？

注意1：如果问题不够清楚，请告诉我更详细的解释。

重要提示：请注意，由于篇幅限制，我们只能存储校验和值加上一些显示所选文本位置的有限数据，这意味着我们无法存储整个选定的文本。

用例：我们打算通过验证者来验证文档中选定文本的完整性。校验和以及哈希文本地址的信息将存储在区块链中，因此由于存储在区块链中的限制（成本很高），我们无法将整个选定和哈希文本存储在区块链中，而是仅存储一些有用的信息，这些信息针对选定和散列文本的确切位置。验证者可以访问整个文档，但是他们不知道文档的哪个部分已被散列。他们需要知道它来验证校验和。

假设前。证明者有证书（纸质），他需要证明他是证书的所有者。他扫描证书（将其数字化为任何格式更好）。证书颁发者选择了证书的一些敏感部分（例如所有者信息等），并将它们分别散列到每个选定的部分以生成校验和。证明者（所有者）将证书交付给验证者时，验证者需要检查所有校验和。在这一步，他需要知道证书的哪些部分已经被散列。因此，我们需要将有用的数据附加到校验和中，以便验证者可以找到散列部分。

另请注意选中的文本不会被记录，但也会被选中生成校验和。然而验证者需要知道这个文本的内容来验证校验和。问题是由于区块链存储数据的限制，我们无法存储整个散列文本，而且我们只能存储一些有用的信息，这些信息指向散列文本的确切位置。

更新：这个问题与 (FREE Tool for watching coordinates in PDF) 相关，使用工具我们可以找到所选文本的准确 (x,y) 坐标。我还不确定这个工具是否可以用于我的问题。

Answer 1

请注意，PDF 文件不包含 文本。它包含一个对象树，其中一些是包含 Postscript 简化变体的流，其中包含 命令 告诉渲染器将哪个 字形 放在哪里（或其他命令渲染图形输出）。

我建议使用mupdf 包中的mutool 之类的工具来解压缩小型 PDF 文档中的流，然后在文本编辑器中打开它，亲自查看它的外观。

因此，当您在渲染器中选择“文本”时，您将连接到渲染器将字形放置在页面上的进程。现在，渲染器可以做出一些努力将字形重新翻译成文本，这依赖于 (1) 在 PDF 中有表格，(2) 假设生成 PDF 的应用程序是如何工作的（例如，它布置了字形与原文顺序相同）。如果您对这个重新翻译的文本进行哈希处理，它将始终取决于渲染器用于进行重新翻译的方法。

因此，您的用例（无论它有什么用处）都需要为发送方和接收方提供相同的渲染程序。

另一方面，假设嵌入字体或相同字体，渲染是确定性的（特别是在同一个渲染器中）。所以最简单的方法就是记录下你在页面上的准确选择位置，以及页码，然后发送这些信息。

编辑

如果您首先扫描纸质文档，并且需要标记几个矩形区域，为图像选择某种格式，找到矩形的确切像素位置，将矩形内的像素提取为某种定义的格式（例如 RGB 8+8+8)，并对这些数据进行哈希处理。然后将矩形位置与哈希一起传输。

为方便起见，您可以将多个扫描图像存储在 PDF 中，然后使用多种工具从 PDF 中提取它们，但您如何存储图像并不重要，只要您同意某种格式 (因为有损压缩可能会改变像素值）。

这将要求您将扫描的图像存档（PDF 或任何其他形式）。