google 使用什么应用程序在 gmail 中显示 PDF 附件答案

【问题标题】：What application does google use to show PDF attachments in gmailgoogle 使用什么应用程序在 gmail 中显示 PDF 附件
【发布时间】：2009-04-25 18:30:58
【问题描述】：

当谷歌在新窗口中显示 gmail 中的 PDF 附件时，我观察了流量。内容作为每个 PDF 页面的 PNG 图像提供。并且可以选择其文本。谷歌在服务器端使用什么来为 pdf 文件中的特定页面生成 PNG 文件？ png 文件上的文本选择如何工作？有什么想法吗？

【问题讨论】：

标签： pdf png gmail ocr

【解决方案1】：

默认情况下，附件是使用https://docs.google.com/gview 安全查看的，但事实证明，您可以通过纯 HTTP 请求文件。这使得使用Wireshark 弄清楚发生了什么变得更容易一些。

正如您所指出的，很明显 PDF 在服务器端转换为 PNG（ImageMagick 确实是为此目的的合理解决方案），这样做的明显原因是在保持精确布局的同时仍然是无需 PDF 查看器即可查看文件。

但是，通过查看流量，我发现在调用 /gview?a=gt&docid=&chan=&thid= 时，整个 PDF 也会转换为自定义 XML 格式（在您请求文档后立即完成） .由于我无法使用 Wireshark 来复制 XML，所以我使用了 Firefox 扩展 Live HTTP Headers。摘录如下：

<pdf2xml>
    <meta name="Author" content="Bruce van der Kooij"/>
    <meta name="Creator" content="Writer"/>
    <meta name="Producer" content="OpenOffice.org 3.0"/>
    <meta name="CreationDate" content="20090218171300+01'00'"/>
    <page t="0" l="0" w="595" h="842">
        <text l="188" t="99" w="213" h="27" p="188,213">Programmabureau</text>
        <text l="85" t="127" w="425" h="27" p="85,117,209,61,277,21,305,124,436,75">Nederland Open in Verbinding (NOiV)</text>
    </page>
</pdf2xml>

我还不太确定文本元素上的所有属性代表什么（w 和 h 除外），但它们显然是文本的坐标，可能还有长度。正如the JavaScript Google uses is minimized（或者可能被混淆，但这不太可能）准确地弄清楚客户端选择功能是如何工作的并不是那么容易。但很可能它使用此 XML 文件来确定用户正在查看的文本，然后将其复制到用户的剪贴板。

请注意，有一个名为pdf2xml 的开源（GPL 许可）工具具有相似但不完全相同的输出。这是他们主页上的示例：

<?xml version="1.0" encoding="utf-8" ?>
<pdf2xml pages="3">
  <title>My Title</title>
  <page width="780" height="1152">
    <font size="10" face="MHCJMH+FuturaT-Bold" color="#FF0000">
      <text x="324" y="37" width="132" height="10">Friday, September 27, 2002</text>
      <img x="324" y="232" width="277" height="340" src="text_pic0001.png"/>
      <link x="324" y="232" width="277" height="340" dest_page="2" dest_x="141" dest_y="187"/>
    </font>
    <font size="12" face="AGaramond-Regular" italic="true" bold="true">
      <text x="509" y="68" width="121" height="12">This is a test PDF file</text>
      <link x="509" y="68" width="121" height="12" href="www.mobipocket.com"/>
    </font>
  </page>
</pdf2xml>

希望这些信息在任何方面都有用，但是就像其他海报之一提到的那样，确定 Google 所做的唯一方法是询问他们。很遗憾 Google 没有官方 IRC 频道，但他们有 a forum for Google Docs support questions。

祝你好运。

【讨论】：

我猜 t 和 l 代表顶部和左侧。 Google 也不需要字体数据，因为字体是在 PNG 中呈现的。所以 pdf2xml 可能是生成器，但是 XML 之后被解析并删除了一些数据。

【解决方案2】：

Google 使用内部开发的非开源 PDF 转换器应用程序。因此，您最好查看其他答案发布的链接，因为您无法使用 Google 版本。对不起！

【讨论】：

【解决方案3】：

如果你有文字，你可以把它变成你想要的，

更具体的你应该看看这个链接：pdf to png using php

所以需要 imageMagick imageMagic

编辑：另一个interesting link。

编辑：我在 google 发现了这个，看起来很有趣……所以你可以使用 google api Google Document List Data Api 这是一篇关于它的博文Google API Now Lets You Get Documents in Many Formats

为了确定谷歌使用什么你需要他们的回答？ :)

祝你好运！

【讨论】：

您好，感谢您的回答。链接肯定很有趣。我有这些大 PDF（~50 Mb）作为我的流程的输入，这些需要在连接速度较慢的情况下提供给客户端。但是，客户可能只需要几页就可以做出决定。因此，我们考虑像谷歌那样只携带 pdf 的快照。我们需要某种可以帮助我们做到这一点的企业产品。最好是java。这不完全一样，但很有帮助。我还有一些潜在客户是.. jpedal.org, iText Varun

【解决方案4】：

要查看创建 pdf 的内容，请右键单击它并转到文档属性（在 Adobe 阅读器中）。 PDF 生成器将显示为“PDF 生成器”。我认为谷歌同时使用Prince 和IText （不组合用于创建PDF）。 Google 对上述工具包进行了一些重大修改，以创建最终产品。

【讨论】：

【解决方案5】：

嗯.. 这可能只是 Google 正在使用的 pdf2xml 工具。他们只更改了全词的宽度、高度等，并添加了 p 属性...原来是包含行内单词坐标的属性。刚刚玩过它，发现:) 打算使用google 的这个pdf2xml :P 上传，让他们转换...使用xml 来转换... epub？ :P

【讨论】：

我认为你应该先试着理解这个问题。

【解决方案6】：

您可能还想研究使用 Lucence 来索引那些大的 pdf 文件并将相关页面提供给您的用户。

更多想法请见http://www.jguru.com/faq/view.jsp?EID=1074237。

【讨论】：