PDF 中的全文搜索 - 使用 VB .net 代码转换

Question

我有一个自动将 Word 文档转换为 PDF 的应用程序。问题是我无法在转换后的 PDF 中使用全文搜索。而如果它是通过 Microsoft Word 应用程序转换的，我可以在 pdf 中搜索。提前感谢您的支持。

Answer 1

这取决于转换是如何完成的。

PDF 是一种相当图形格式的中性页面描述语言。这意味着您在最终 PDF 中在屏幕上看到的像素可能来自多种不同类型的运算符。

在最好的情况下，文本被表示为文本。您可以通过打开您的 pdf 并搜索文本“/Type /Page”（或“/Type/Page”）轻松解决这个问题。这将向您显示在文档中的页面上描述的页面字典。在该字典中（由 > 分隔，您将看到类似“/Resources 15 0 R”的内容。这会告诉您描述页面级资源的位置。“15 0 R”表示“对第 0 代对象 15 的引用. 所以现在搜索“15 0 obj”（或者更准确地说是你文件中的内容），它会带你到另一个字典。在资源字典中，你应该看到如下内容：

15 0 obj << /Font <</F1 6 0 R /F2 8 0 R>>
   /XObject <</Im0 10 0 R>>
>> endobj

这意味着此页面使用了两种字体和 1 个外部对象。

如果资源字典中没有 /Font 条目，则该页面没有使用任何字体，因此不可搜索。如果有一个显眼的单个 XObject 命名为 IM、Im 或 Image，那么您的文档很可能是构成页面的单个图像。

总而言之，可以通过多种不同方式绘制 PDF 页面。可以用实际字体表示文本。可以使用路径运算符（即一系列贝塞尔曲线）绘制文本。可以用一个或多个图像绘制文本。只有第一个才会承载文字的全部内涵。

很可能，您的转换程序只是将 Word 文档打印为图像并将图像编码为 PDF。

为了让下一个搜索此文档的人更完整 - 可以在 PDF 文档中放置不可见的文本。我编写了获取原始图像的代码，通过 OCR 引擎运行它们，将图像放在 PDF 上，然后放置由 OCR 引擎返回的不可见文本。不可见的文本既可选择又可搜索。

有关更多信息，请查看第 8 章（图形）和第 9 章（文本）中的 PDF 参考（我交叉检查了 Adob​​e 的当前规范）。