Парсинг PDF с извлечением позиций блоков

Question

[ChemAli]

Реально ли распарсить pdf-файл (текст и изображения) таким образом, чтобы извлечь из него отдельные блоки текста и определить координаты расположения этих блоков?

Конечная задача: поиск текста в файле с выделением найденного.

Найденные мною реализации останавливаются на извлечении сплошного текста.

Answer 1

[egorinsk]

Конечно. реально. Эти координаты хранятся в PDF файле, и нет никаких проблем их оттуда извлечь. Подробности в спецификации PDF.

Comments

[ChemAli]

Если это так, то очень странно что в сети не находится каких-либо даже примитивных реализаций. Все почему-то обходятся простым извлечением текста.

[Сергей Протько]

Виной тому специфика вашей проблемы. Большинству нужен лишь текст. О координатах блоков задумываются лишь при переводе из PDF в HTML.

Answer 2

[Сергей Протько]

Воспаленный мозг породил мысль о том что бы перевести PDF в изображения, найти координаты блоков, распарсить текст, выделить в нужном блоке нужное и дальше взять координаты блока… O_o. Это так, был один проект, где надо было искать пустые места в PDF документе и заполнять их рекламной фигней. В контексте поиска, тут много вариантов. Нужно более четко сформулировать задачу. Что мол есть на входе и что должно быть на выходе.

Comments

[Сергей Протько]

Еще есть мысль перевести PDF в HTML…

[ChemAli]

На входе есть pdf-файл, из которого будут сделана масса картинок-страниц. Они-то и будут отображаться, поверх них же будет отображаться подсветка найденного.

Также на входе есть исходники pdf в формате eps или любом другом. Файлы делаются в инДизайне.

[ChemAli]

Зависон как раз на вычленении из pdf блоков, а затем их координат и содержащегося текста.

[Muff]

Непонятно зачем связываться с pdf, если есть есть исходники в формате eps, PostScript же проще распарсить.

[ChemAli]

Нет уверенности, что завтра исходники будут. PDF файлы также будут использоваться в системе, поэтому им отдан приоритет.