以编程方式捕获 .PDF 文件中所有嵌入文本项的位置和内容？

Posted 2023-02-25

【中文标题】以编程方式捕获 .PDF 文件中所有嵌入文本项的位置和内容？

【英文标题】：Programmatically capture the location & content of all embedded text items within a .PDF file?

【发布时间】：2016-01-11 22:13:56

【问题描述】：

我有一系列 .pdf 文档，其中包含许多单独的嵌入文本实例，我需要能够遍历每个实例并以编程方式捕获两件事：(1) 轮廓矩形的大小和位置每个文本实例和 (2) 每个矩形内的实际文本本身。

这里的目标是能够使用 JS 在每个文本项的顶部自动插入一个按钮。我需要能够为每个按钮提供与现有文本矩形（至少大致）对应的形状/大小和位置，并且我需要将每个按钮命名为每个矩形中包含的确切文本字符串。

这样的事情用JS能做到吗？看起来应该是可能的，但我绝对没有足够的 JS 来实际做到这一点。

我使用的 .pdf 文件都是建筑平面图，嵌入文本的每个实例都是每个楼层内特定房间的房间号，如下所示：

我有工作 JS 代码来创建任意按钮循环（假设我有一组矩形定义和文本/名称可用于大小、位置和名称），但我不知道如何以编程方式引用到每个嵌入的文本项——既不是文本矩形的大小/位置，也不是文本本身的内容。

似乎没有一个方便的函数可以遍历文档中嵌入文本的所有实例，并捕获相关信息，就像我可以使用另一个对象（例如，超链接使用 getLinks 命令）。

这是实施大型项目的最后一步，手动创建每个按钮是不切实际的，因为全套平面图需要数千个按钮。

【问题讨论】：

您是否要在 PDF 文件中插入按钮？您是通过将 PDF 嵌入到浏览器窗口中来显示 PDF，如果是这样，这不需要插件还是您首先在浏览器窗口中渲染 PDF？

@thril 我想到的是在 pdf 文件中插入按钮，所以我所描绘的是一个可以/可以完全在 Acrobat 中运行的解决方案，例如。尽管在整个项目的最终实现中，.pdf 文件通常会从 Excel 用户窗体的网络浏览器控件中打开。因此，如果有任何解决方案需要与浏览器交互，听起来这也是一种可能。感谢您的回复。

由于您使用的是 Excel，您可以很好地与 VBA 集成，或者在最坏的情况下在 .net 中创建一个库并使用 VBA 中的库。 Web 端只需要促进通信。除了网络视图之外，您是否探索过其他选项？

@thril 我实际上认为自己对 VBA 几乎是半精通，但到目前为止，我基本上没有运气让 VBA 识别或操作 .pdf 文件中基于 JS 的控件。我确定我只是不知道我需要开始使用的粗略命令，但是在这种情况下我没有成功让 JS 和 VBA 很好地协同工作。

【参考方案1】：

在客户端，您只能显示 html 内容。

PDFJS (https://mozilla.github.io/pdf.js/web/viewer.html) 是一个 javascript 库，可以用作 PDF 的 javascript“查看器”，也可以理解 PDF 的本质。随意使用它并将其扩展为您的需求（使区域交互左右..）

您也可以尝试在服务器端将 pdf 渲染为图像（例如使用 xpdf pdftopng），然后使用 pdf “tokenizer”（例如 http://www.unixuser.org/~euske/python/pdfminer/index.html ）并在原始图片顶部显示交互区域

【讨论】：

PDF.js 具有 getTextContent 调用，可让您提取所有文本项 (github.com/mozilla/pdf.js/blob/master/src/display/api.js#L1058)。另请参阅github.com/mozilla/pdf.js/blob/master/examples/text-only/… 示例

感谢大家的回复。目前，看起来很有希望我将能够使用 getTextContent 来实现我在这种情况下需要做的事情。如果/当我成功时会报告。

【参考方案2】：

据我所知，要执行您想要的操作，必须在服务器端 Linux/Windows 或桌面应用程序中完成。最简单的方法是将您的页面呈现为图像，并在这些图像之上使用 HTML 进行任何交互式覆盖。听起来你想做的事只能使用比 Web JS / HTML 库提供的更强大的语言来完成。

有强大的 Java 和 .NET 库可以处理 PDF 并完成此任务。一个好的开源是http://sourceforge.net/projects/itextsharp/

还有更强大的不是免费的，例如：https://www.foxitsoftware.com/products/sdk/net-sdk/

您可以编写一个服务，该服务接受一个输入 PDF 并将每页的图像以及每页的图像路径、坐标和标题输出到 JSON 文件中。然后在 HTML/JS 中将 JSON 加载到对象数组中并循环插入图像，并根据需要使用鼠标悬停或 <a> 链接将image-map 应用于它们。

【参考方案3】：

您可以使用 HiQPdf 库以编程方式搜索 PDF 中的文本。您可以在Search Text In PDF blog page 中找到更多详细信息和代码示例。代码示例是：

// get the PDF file
string pdfFile = Server.MapPath("~") + @"\DemoFiles\Pdf\InputPdf.pdf";

// get the text to search
string textToSearch = textBoxTextToSearch.Text;

// create the PDF text extractor
PdfTextExtract pdfTextExtract = new PdfTextExtract();

int fromPdfPageNumber = int.Parse(textBoxFromPage.Text);
int toPdfPageNumber = textBoxToPage.Text.Length > 0 ? int.Parse(textBoxToPage.Text) : 0;

// search the text in PDF document
PdfTextSearchItem[] searchTextInstances = pdfTextExtract.SearchText(pdfFile, textToSearch,
            fromPdfPageNumber, toPdfPageNumber, checkBoxMatchCase.Checked, checkBoxMatchWholeWord.Checked);

// load the PDF file to highlight the searched text
PdfDocument pdfDocument = PdfDocument.FromFile(pdfFile);

// highlight the searched text in PDF document
foreach (PdfTextSearchItem searchTextInstance in searchTextInstances)

    PdfRectangle pdfRectangle = new PdfRectangle(searchTextInstance.BoundingRectangle);

    // set rectangle color and opacity
    pdfRectangle.BackColor = Color.Yellow;
    pdfRectangle.Opacity = 30;

    // highlight the text
    pdfDocument.Pages[searchTextInstance.PdfPageNumber - 1].Layout(pdfRectangle);


// write the modified PDF document
try

    // write the PDF document to a memory buffer
    byte[] pdfBuffer = pdfDocument.WriteToMemory();

    // inform the browser about the binary data format
    HttpContext.Current.Response.AddHeader("Content-Type", "application/pdf");

    // let the browser know how to open the PDF document and the file name
    HttpContext.Current.Response.AddHeader("Content-Disposition", String.Format("attachment; filename=SearchText.pdf; size=0",
                pdfBuffer.Length.ToString()));

    // write the PDF buffer to HTTP response
    HttpContext.Current.Response.BinaryWrite(pdfBuffer);

    // call End() method of HTTP response to stop ASP.NET page processing
    HttpContext.Current.Response.End();

finally

    pdfDocument.Close();

【参考方案4】：

我实际上已经能够使用原生 Acrobat Javascript 中的 getPageNthWord 和 getPageNthWordQuads 命令完成我需要做的事情，并且不需要求助于 PDF.js 或任何其他语言或库。在我的例子中，还需要使用 Matrix2D 函数在“quad”（用于捕获每个单词的位置和维度）和“rect”（用于定义新按钮的空间和位置）语法之间进行转换。