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。本质上我正在寻找一个像这样的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 上运行的东西，理想情况下是开源的。我知道您可以在 Windows 上使用 acrobat 执行此操作。
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)
正如您从该输出中看到的那样，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）。
我认为您可以使用 Adobe Acrobat SDK 来做到这一点，它的 Linux 版本可以从 Adobe 免费下载。您可以使用它从 PDF 中提取文本，然后计算出偏移量。然后可以使用Acrobat XML 突出显示文件突出显示 PDF 。这用于指定要突出显示哪些位置的单词，并按如下方式提供给 acrobat：
http://example.com/a.pdf#xml=http://example.com/highlightfile.xml