主页 / unix / 问题 / 469975
Accepted
Philipp
Asked: 2018-09-20 01:52:34 +0800 CST

Mupdf：在 PDF 文件中查找连字符

  • 772

当我使用mupdf. 它只能找到整个单词。例如，搜索单词“meaningless”会找到整个单词：

This is a short, staggeringly meaningless sentence.

我无法提前知道一个单词是否跨越两行 - 因此：连字符 - 与否。显式搜索连字符也太麻烦了。但是，当一个单词被包裹在一行的末尾时，它就不会被找到。搜索“meaningless”将找不到此示例中的单词：

This is a short, staggeringly meaning-
less sentence.

PDF 查看器“Evince”的行为方式相同。有没有一种（简单的）方法可以让“Mupdf”找到连字符的术语？

pdf evince

3 个回答

  1. Best Answer

    请注意，PDF 不包含原始文本，而是包含字形放置位置的描述。在 PDF 中搜索文本取决于 (1) PDF 具有描述哪些字形对应于哪些 unicode 字符的表 (2) 将这些已翻译字符重新组合成单​​词的方法 (3) 关于生成应用程序如何工作的假设，例如按文本顺序放下字形（例如，当两列文本同时呈现在两列中时，这将严重失败）。

    要考虑连字符，您必须实现一种算法来检测行尾的破折号（可以使用不同的字形），然后合并单词（并考虑有关连字符的特殊规则，例如德语ck）。

    所以是的，它可以完成，但不容易，然后它只适用于某些语言/脚本。

    • 3

  2. 在 PDF 中搜索单词实际上是查看器的一项功能。因此，每个观众都采用不同的方法来处理它将使用的内容。在实践中，我发现Okular是我测试过的所有 PDF 查看器中的最佳选择。据我所知，Mupdf 无法处理带连字符的单词。

    • 2

  3. 我不知道如何在 MuPDF 中执行此操作，但获取这些行/匹配项的一种方法是使用pdftotext

     pdftotext file.pdf - | grep 'meaningless'

    默认情况下，pdftotext 取消连字符的行。

    • 2

相关问题