使用 Quartz 2D 在 iPad 上搜索 PDF 全文

Question

我正在尝试使用 Quartz 2D 实现全文搜索，但这是一场噩梦。 我可以使用 PDF 运算符（TJ 和其他...）从 pdf 页面“提取”文本

    CGPDFOperatorTableRef myTable;

myTable = CGPDFOperatorTableCreate();

CGPDFOperatorTableSetCallback (myTable, "BT", &op_BT);
CGPDFOperatorTableSetCallback (myTable, "Td", &op_Td);
CGPDFOperatorTableSetCallback (myTable, "TD", &op_TD);
CGPDFOperatorTableSetCallback (myTable, "Tm", &op_Tm);
CGPDFOperatorTableSetCallback (myTable, "T*", &op_T);
CGPDFOperatorTableSetCallback (myTable, "TJ", &op_TJ);
CGPDFOperatorTableSetCallback (myTable, "Tf", &op_TF);
CGPDFOperatorTableSetCallback (myTable, "ET", &op_ET);

但同时，我需要在 PDF 页面上用一些矩形突出显示匹配项，例如在 Safari 中完成的。 有什么建议如何实施吗？ 有没有一些解决方案不需要如此庞大的工作？

Answer 1

这只是冰山一角……

检测到 TJ 中编码的“字节”并不意味着您已经拥有“文本”，甚至完全能够将其转换回来。

在 PDF 中绘制文本时有一个“活动”字体 (Tf)。字体有一个编码 - 周围有很多不同的编码，有些不是“可逆”的，因为你可以从中获得一个 unicode。

如果您有“可逆”编码，那很好。实现反向查找仍然需要做很多工作（尤其是对于多字节编码..），但是您已经完成了美好的一天。

如果你的编码不​​是那么聪明，你可能还有一个额外的 /ToUnicode 映射允许计算一个 unicode。额外的努力，但现在你没事了。

...除了周围的许多现有文档都不支持这些映射到 unicode...

...毕竟：从这个意义上说，PDF 不包含“文本”，它会绘制字符。所以理论上你必须在虚拟页面中绘制字符，然后才能以任何可读的顺序对它们进行排序......

总之，很有趣。