从 pdf 文件中读取注释

Posted 2023-02-24

【中文标题】从 pdf 文件中读取注释

【英文标题】：Read annotation from pdf file

【发布时间】：2019-12-06 11:06:21

【问题描述】：

我有一个 PDF 文件，其中包含注释和注释建议，这些注释会在鼠标悬停在带注释的单词上时出现。

例如，考虑上面的图像，其中您将使用的单词是删除线（表示不正确的单词），并且在鼠标悬停时会显示弹出窗口，其中出现了正确的单词。同样，还有另一个插入符号也是如此。

我想提取两个单词的列表，这将显示文件中正确和不正确的单词。

【问题讨论】：

我们有一个商业产品的演示（用 php 编写），它对高亮注释做同样的事情。将其调整为其他注释类型应该不难。但我只是想知道您希望插入符号的数据是什么？

插入符号类似于其他注释，鼠标悬停在插入符号上时会出现一个弹出模型，显示一些文本，如上图所示。我也对商业产品感兴趣。

查看此链接***.com/questions/1106098/…。它使用 python，但可能会为您指明正确的方向。如果您可以提取数据，您也许可以解析信息并过滤出您需要的内容。

你需要明确你想用什么语言来完成这个。这个问题被标记为 PHP 和 JS。

【参考方案1】：

我刚刚使用我们的SetaPDF-Extractor 组件（我们的商业产品）做了一个简单的 POC，结果如下：

遗憾的是，PDF 中的 cmets“树”并不是那么微不足道。 POC 只是迭代注释并创建过滤器，然后提取器组件使用这些过滤器。 Here 是另一个提取 cmets 树的演示，它可能是排序/更合乎逻辑的结果的基础。

这是我用于给定输出的代码：

<?php
// load and register the autoload function
require_once('library/SetaPDF/Autoload.php');

// create a document instance
$document = SetaPDF_Core_Document::loadByFilename('camtown/Terms-and-Conditions - revised.pdf');
    // initate an extractor instance
$extractor = new SetaPDF_Extractor($document);

// get page documents pages object
$pages = $document->getCatalog()->getPages();

// we are going to save the extracted text in this variable
$results = [];
// map pages and filternames to annotation instances
$annotationsByPageAndFilterName = [];

// iterate over all pages
for ($pageNo = 1, $pageCount = $pages->count(); $pageNo <= $pageCount; $pageNo++) 
    // get the page object
    $page = $pages->getPage($pageNo);
    // get the annotations
    $annotations = array_filter($page->getAnnotations()->getAll(), function(SetaPDF_Core_Document_Page_Annotation $annotation) 
        switch ($annotation->getType()) 
            case SetaPDF_Core_Document_Page_Annotation::TYPE_HIGHLIGHT:
            case SetaPDF_Core_Document_Page_Annotation::TYPE_STRIKE_OUT:
            case SetaPDF_Core_Document_Page_Annotation::TYPE_CARET:
            case SetaPDF_Core_Document_Page_Annotation::TYPE_UNDERLINE:
                return true;
        

        return false;
    );

    // create a strategy instance
    $strategy = new SetaPDF_Extractor_Strategy_ExactPlain();
    // create a multi filter instance
    $filter = new SetaPDF_Extractor_Filter_Multi();
    // and pass it to the strategy
    $strategy->setFilter($filter);

    // iterate over all highlight annotations
    foreach ($annotations AS $tmpId => $annotation) 
        /**
         * @var SetaPDF_Core_Document_Page_Annotation_Highlight $annotation
         */
        $name = 'P#' . $pageNo . '/HA#' . $tmpId;
        if ($annotation->getName()) 
            $name .= ' (' . $annotation->getName() . ')';
        

        if ($annotation instanceof SetaPDF_Core_Document_Page_Annotation_TextMarkup) 
            // iterate over the quad points to setup our filter instances
            $quadpoints = $annotation->getQuadPoints();
            for ($pos = 0, $c = count($quadpoints); $pos < $c; $pos += 8) 
                $llx = min($quadpoints[$pos + 0], $quadpoints[$pos + 2], $quadpoints[$pos + 4], $quadpoints[$pos + 6]) - 1;
                $urx = max($quadpoints[$pos + 0], $quadpoints[$pos + 2], $quadpoints[$pos + 4], $quadpoints[$pos + 6]) + 1;
                $lly = min($quadpoints[$pos + 1], $quadpoints[$pos + 3], $quadpoints[$pos + 5], $quadpoints[$pos + 7]) - 1;
                $ury = max($quadpoints[$pos + 1], $quadpoints[$pos + 3], $quadpoints[$pos + 5], $quadpoints[$pos + 7]) + 1;

                // reduze it to a small line
                $diff = ($ury - $lly) / 2;
                $lly = $lly + $diff - 1;
                $ury = $ury - $diff - 1;

                // Add a new rectangle filter to the multi filter instance
                $filter->addFilter(
                    new SetaPDF_Extractor_Filter_Rectangle(
                        new SetaPDF_Core_Geometry_Rectangle($llx, $lly, $urx, $ury),
                        SetaPDF_Extractor_Filter_Rectangle::MODE_CONTACT,
                        $name
                    )
                );
            
        

        $annotationsByPageAndFilterName[$pageNo][$name] = $annotation;
    

    // if no filters for this page defined, ignore it
    if (count($filter->getFilters()) === 0) 
        continue;
    

    // pass the strategy to the extractor instance
    $extractor->setStrategy($strategy);
    // and get the results by the current page number
    $result = $extractor->getResultByPageNumber($pageNo);
    if ($result === '')
        continue;

    $results[$pageNo] = $result;


// debug output
foreach ($annotationsByPageAndFilterName AS $pageNo => $annotations) 
    echo '<h1>Page No #' . $pageNo . '</h1>';
    echo '<table border="1"><tr><th>Name</th><th>Text</th><th>Subject</th><th>Comment</th></tr>';
    foreach ($annotations AS $name => $annotation) 
        echo '<tr>';
        echo '<td>' . $name . '</td>';
        echo '<td><pre>' . ($results[$pageNo][$name] ?? '') . '</pre></td>';
        echo '<td><pre>' . $annotation->getSubject() . '</pre></td>';
        echo '<td><pre>' . $annotation->getContents() . '</pre></td>';
        echo '</tr>';
    

    echo '</table>';

【讨论】：

这个插件听起来不错，但我看到的是它没有提取插入符号。可以提取插入符号吗？

我还需要从头到尾提取单词的正确顺序。

实际上插入符号在表中作为“插入文本”。正如我已经在 PDF 中编写的注释处理不是微不足道的，并且插入符号例如就是这样一个特例。 “Cross-Out”是对“Inserted Text”注释的回复，在标准 PDF 查看器中形成单个注释。如果您将这样的文档传递给this demo，您将看到这一点。在任何情况下，我都建议请求组件here 的评估版本，以便您可以自己使用它。

【参考方案2】：

您需要提取有关页面上存在的标记注释及其关联的子弹出窗口（您称为“建议”）注释内容的信息。您可以使用标记注释的位置与页面上该位置显示的文本进行协调。然后，您将获得所需的两条信息。

【参考方案3】：

你试过这个解析器吗？

特点

加载和解析对象和标题 提取元数据（作者、描述、关键字等） 从有序页面中提取文本 支持压缩 pdf（和不支持） 支持字符集编码（WinAnsi、MacRoman） 处理六进制和八进制内容编码 符合 PSR-0 标准（自动加载器） 与作曲家兼容 符合 PSR-1（代码样式）

https://pdfparser.org/demo

【讨论】：

是的，我试过 pdf Parser，它只是从 pdf 文件中提取内容。不是注释。

哦，我明白了，该死！