- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我想使用 PDF 库删除 PDF 中的隐藏空间。
当我在 PDF 中提取单词“Gregor”时,它显示为“Gre gor”,但我真的希望它像“Gregor”一样。
这可能是什么原因?或者,我怎样才能避免那些“隐藏空间”?
最佳答案
很多年前,我在 Adobe 工作,负责 Acrobat 1.0 版及更高版本。当时,我编写了搜索、突出显示和复制粘贴的工具。我将尝试解释为什么您可能看到您所看到的以及为什么您可能也是 SOL(除非您想破解 PDF 库)。
在 PDF 中,页面内容由类似于 PostScript 的 RPN 语言的程序表示。它的不同之处在于它不是图灵完备的。它缺少循环、合理的函数定义、递归等——从而回避了那个讨厌的停机问题。一个典型的页面内容程序看起来像这样:
255 0 0 sc 72 72 m 144 72 l 144 144 l 72 144 l f
意思是,将颜色设置为红色 (255 0 0),移动到 (72, 72),连接一条线到 (144, 72),等等,最后填充路径。这将创建一个红色正方形,边长 1 英寸,左下角位于页面底部右侧上方 1 英寸处。
现在,当您处理文本时,会稍微复杂一些。有四种用于绘制文本的运算符,Tj、'、"和 TJ。它们的主要区别在于它们在应用运算符之前或之后如何影响文本的放置。尽管如此,在理智的世界中,您会希望您的文档有一些东西在内容流中像这样:
BT 72 288 Td (Gregor) Tj ET
这意味着开始文本,将文本位置移动到 (72, 288),放置文本“Gregor”,然后结束文本。
很可能,情况并非如此。相反,您的文档可能看起来更像这样:
BT 72 288 Td (Gre) Tj --stuff-- 88 288 Td (gor) Tj ET
其中 --stuff-- 是零个或多个其他 PDF 运算符。 PDF 是一种页面描述语言,而不是文本文件格式。因此,PDF 没有规定您应该如何布置内容流以创建页面。事实上,有无数种方法可以生成等效/相同的页面。
因此,任何声称从 PDF 文档中提取文本的代码块的作者都应该花一些时间非常清楚地回答这个问题,“什么是单词?”如果首先没有很好地回答这个问题,那么您将永远不会进行任何合理的文本提取。虽然我不太清楚,但我高度怀疑 pdflib 对单词的定义是“来自文本放置运算符的任何空格分隔的子字符串”。这个定义可能会让你完成 80% 的事情。也许更多,但不多。这是一个实现起来几乎微不足道的定义,但如果没有使用单个文本放置运算符放置单词,它将失败。哎呀,甚至有些 PDF 页面的文本没有放在接近阅读顺序的任何地方。例如,troff(至少曾经)首先布置所有纯文本,然后是斜体文本,然后是粗体文本。
那么你就得换一种方式来思考问题。如果你将一个词定义为一个有序的字形序列,这些字形在物理空间上彼此接近且大小相似,会怎样?然后您会发现该定义将完全包含先前定义的成功案例,并且还正确地包括先前“什么是单词”定义中固有的大量先前失败。您还会发现在代码中实际实现该定义要明显困难得多。虽然第一个定义可以在大约一个小时的时间内完成,但这个定义更像是几周或几个月的时间才能真正正确,因为你必须回答“什么是接近?”的问题。和“什么大小相似?”当您使用它时,您需要考虑其他事项,例如文本编码、连字、任意连字符、沿曲线放置的文本(我无法告诉您当 Acrobat 能够在 map 中查找单词时我有多高兴)。
因此,您应该从中得出的结论是,从 PDF 中提取文本并非易事,您应该预料到从普通编写的代码中会出现大量失败。
关于c# - 如何使用 pdflib 删除 pdf 中的字符,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/6580901/
我的代码有一些问题。我正在尝试遍历包含许多 PDF 的 Drive 文件夹,然后将它们合并为一个文件。当我使用我的代码时,它只是为 Drive 文件夹中的最后一个 PDF 创建一个 PDF,而不是按预
我从 PDF Specification 获取了 PDF 规范中的最小 PDF 示例。 ,将其复制到记事本,将文件重命名为扩展名为 .pdf。 我可以用其他 PDF 查看器(PDF-XChange、S
感谢您在以下方面的帮助: 我有 2 个部分可访问的 PDF(包含标签),我想使用一些命令行工具(如 PDFtk 或 Ghostscript,或任何 Perl 模块)将它们连接起来: 我已经尝试使用 P
我想使用 ghostscript 将矢量 pdf 转换为光栅 pdf(即光栅化矢量 pdf)。但是即使我添加了解析参数 -r300,我也找不到合适的参数来执行此操作。 我使用的代码是-dSAFER -
我无法在 FAQ 中找到这个功能是否存在于 API 中,尽管它在书中提到作为潜在可用的东西。有没有人有任何实现此功能的经验? 最佳答案 在 This thread (日期为 2007 年 6 月)Pa
我要放文件sample.pdf在我的网站上,并希望使用 pdf.js 显示它.我想要的是显示我自己的文件,如 demo ,带有工具栏,放大/缩小等。到目前为止,我还不能这样做。 我确实检查了 hell
我知道这可能不是严格意义上的编程问题(也许是,我不知道)但我在尝试转换常规 pdf(带有超链接、书签、图像、嵌入字体等)时遇到了严重问题.) 转换为 PDF/A-1 格式。 当我用 pdfaPilot
这是 PDF.js 网站 https://github.com/mozilla/pdf.js 我正在搜索和阅读很多文章,大多数编码都是将 pdf 导入 pdf.js 并在浏览器上显示,我不明白是不是
谁能建议我如何将扫描图像转换为可搜索图像或如何将扫描 pdf 转换为可搜索 pdf? 很长一段时间以来,我一直陷入这种情况。 我已经在 ubuntu 中尝试过 pdfocr 应用程序,但没有成功。 最
作为我对客户端/服务器 pdf 签名研究的一部分,我测试了 itext pdf 延迟签名示例。不幸的是,我生成的 pdf 即合并空签名 pdf 和哈希值的输出显示无效签名。 我的代码片段如下 cla
我想将一个 PDF 页面插入到另一个已缩放的 PDF 页面中。我想使用 iTextSharp 来实现此目的。 我有一个矢量绘图,可以导出为单页 PDF 文件。我想将此文件添加到其他 PDF 文档的页面
作为我对客户端/服务器 pdf 签名研究的一部分,我测试了 itext pdf 延迟签名示例。不幸的是,我生成的 pdf 即合并空签名 pdf 和哈希值的输出显示无效签名。 我的代码片段如下 cla
我想为 Kindle 转换电子书。我尝试使用 Calibre 将具有复杂格式样式和图像的基于两种语言的基于文本的大型 PDF 电子书转换为适用于 Kindle 的 AZW3 电子书,并且还尝试了亚马逊
我在 Google Chrome 中显示 pdf 时遇到问题。问题是 Chrome 将 pdf 的某些页面显示为黑色。 启用 Chrome PDF 查看器时会发生这种情况。如果我禁用此插件并使用 Ad
我确信这个问题无处不在,尽管我似乎找不到答案。我希望我的 PDF 文档在 PDF 阅读器中显示时没有空白页,但随后在封面后打印空白页,这样打印出来的文档在右侧甚至左侧都有奇数页。还有其他人遇到过这个问
我需要自动裁剪 pdf 文件(去除白边)。到目前为止,我尝试了两种并不完美的工具: pdf裁剪 问题:它不会裁剪某些 pdf。 pdf-crop-margins 问题:有时它裁剪得太多(精细的细节)。
This PDF由几个源文件组成。其中五个是包含 alpha channel 的 PNG。一种是没有 alpha channel 的 PNG。最后一 block 是带有透明效果的 Photoshop
我的团队将内部 wiki 页面用于各种内容。这些页面是使用 MediaWiki 创建的。我想知道是否有任何方法可以将 wiki 页面转换为 PDF 格式。我必须用它来将用户文档转换为 PDF 格式,以
我希望能够从我可能在数据库或 xml 或任何其他结构化形式中拥有的数据生成高度图形化(也包含大量文本内容)的 PDF 文件。 目前,我们的平面设计师在将内容作为 MS Word 文档后,在 Photo
我正在寻找可以帮助我找到重复 PDF 的实用程序。问题:我有 1000 个 PDF 文件。有些是重复的。由于不同的文件名和文件大小的微小差异,它们不容易被检测到。是否有实用程序/算法/库可以帮助我找到
我是一名优秀的程序员,十分优秀!