Pdf.js: getTextContent () टेक्स्ट आइटम की ऊंचाई गलत है

को निर्मित 12 अप्रैल 2017 · 14टिप्पणियाँ · स्रोत: mozilla/pdf.js

पीडीएफजेएस संस्करण: 1.7.290
नोडजेएस संस्करण: v6.9.3
पीडीएफ फाइल का परीक्षण करें: test.pdf

TL; DR : textContent.height प्रदान की गई PDF की तुलना में बहुत दूर है, मुझे यकीन नहीं है कि यह एक बग है, एक अमान्य PDF फ़ाइल है या यदि यह इच्छित व्यवहार है।

कुछ पीडीएफ फाइलों में से एक (उदाहरण के लिए संलग्न फाइल देखें) टेक्स्ट सामग्री आइटम 'ऊंचाई' संपत्ति के लिए गलत मान रखते हैं।

निम्नलिखित उदाहरण पर विचार करें, जो शीर्ष-दाएं लोगो के ठीक नीचे 'उव रीकेनिंग' टेक्स्ट है:

{
  "str": "Uw rekening",
  "dir": "ltr",
  "width": 98.928,
  "height": 0.54,
  "transform": [
    18,
    0,
    0,
    18,
    441.81,
    708.4499999999999
  ],
  "fontName": "g_d9_f21"
}

यहां 'ऊंचाई' संपत्ति मूल्य 0.54 है, जबकि Math.sqrt(t[2]*t[2] + t[3]*t[3]) = 18 अपेक्षित है।
रेंडर किए गए PDF को देखते समय, हम यह भी पुष्टि कर सकते हैं कि विचाराधीन टेक्स्ट वास्तव में 18px उच्च के रूप में प्रस्तुत किया गया है।

मैंने पीडीएफजेएस स्रोत में पीछे की ओर कोड का पता लगाया, मुझे यही मिला:

flushTextContentItem() में, ऊंचाई 18 है, लेकिन फिर textContentItem.textAdvanceScale से गुणा किया जाता है, जिसका संलग्न पीडीएफ के लिए 0.03 का मान है।

यदि हम ensureTextContentItem() को देखें, तो हम देखते हैं कि textAdvanceScale की गणना इस प्रकार की जाती है:

textAdvanceScale = Math.sqrt(ctm[0]*ctm[0] + ctm[1]+ctm[1]) * Math.sqrt(tlm[0]*tlm[0] + tml[1]*tlm[1])

जहां ctm कंटेंट ट्रांसफॉर्म मैट्रिक्स है, और tlm टेक्स्ट लाइन मैट्रिक्स है।

टेक्स्ट लाइन मैट्रिक्स ठीक दिखता है, लेकिन (इस पीडीएफ उदाहरण के मामले में), सीटीएम बहुत ही असंभव लगता है:

[
  0.03,
  0,
  0,
  0.03,
  0,
  0
]

आखिरकार मैंने पाया कि cm ऑपरेटर का सामना args [0.03, 0, 0, 0.03, 0, 0] के साथ होता है, जिसे तब preprocessCommand() में संभाला जाता है और stateManager.transform(args) को ट्रिगर करता है, जहां ctm को [0.03, 0, 0, 0.03, 0, 0] में अपडेट किया जाता है।

लेकिन यह वह जगह है जहां मेरा डीबगर तौलिया में फेंक दिया क्योंकि यह बड़े पैमाने पर 57k एलओसी पीडीएफजेएस पुस्तकालय के माध्यम से नेविगेट करने का प्रयास करते समय दुर्घटनाग्रस्त हो जाता है।

पीडीएफ का निरीक्षण करते समय, मुझे यह हिस्सा मिलता है:

0.03 0 0 0.03 0 0 cm
BT
/F9 600.00 Tf
0.89 0.00 0.10 rg
14727 23615 TD
(Uw rekening) Tj
*snip*
ET Q

तो हाँ, ग्राफिक स्टेटिक को टेक्स्ट भाग से ठीक पहले संशोधित किया गया है, लेकिन यह वह जगह है जहां पीडीएफ प्रारूप के बारे में मेरा ज्ञान समाप्त होता है। मुझे नहीं पता कि 'ग्राफ़िक स्थिति' टेक्स्ट आकार को प्रभावित करने वाली है या नहीं?

तो, निष्कर्ष में: मुझे नहीं पता कि यह एक बग है, एक अमान्य पीडीएफ दस्तावेज़ या एक इच्छित व्यवहार है। लेकिन मुझे पता है कि ऊंचाई 0.54 यह नहीं है कि दस्तावेज़ वास्तव में कैसे प्रस्तुत किया जाता है।

टेक्स्ट आइटम की वास्तविक रेंडर ऊंचाई प्राप्त करने के लिए, क्या मैं सुरक्षित रूप से मान सकता हूं कि 'वास्तविक' ऊंचाई Math.sqrt(t[2]*t[2] + t[3]*t[3]) के बराबर है?

4-text-selection

स्रोत

LeonMelis

सबसे उपयोगी टिप्पणी

मुझे प्रतिबद्ध में समस्या मिली https://github.com/mozilla/pdf.js/commit/4537590033169915e68f6480e2463bc4b2175f78
इस प्रतिबद्ध ऊंचाई से पहले केवल लंबवत फोंट के लिए टेक्स्टएडवांसस्केल से गुणा करें
किसी भी मामले में गुणा करने के बाद

aberkovsky 15 दिस॰ 2018

👍10

सभी 14 टिप्पणियाँ

ऐसा लगता है कि यह #7879 . से प्रतिगमन हो सकता है

brendandahl 12 अप्रैल 2017

pdfjs-dist 1.8.412 . का उपयोग करके यहाँ वही डील

हाइट्स बहुत अतिरंजित हैं:

{ str: 'Y',
  dir: 'ltr',
  width: 4.335500000000001,
  height: 42.25,
  transform: [ 0, 6.5, -6.5, 0, 488.4, 611.8 ],
  fontName: 'Helvetica' }

6.5pt फ़ॉन्ट पर एकल "Y" के लिए, मैं उम्मीद करता हूं कि यह ऊंचाई में 6.5pt के करीब होगा, 6.5 से गुणा नहीं किया जाएगा।

Saltallica 3 जून 2017

अगर यह मदद करता है, तो यह 1.6.210 में सही ढंग से काम करता है, जिसे मैंने वापस कर दिया है।

Saltallica 3 जून 2017

👍3

pdfjs 1.9.646 का उपयोग करते हुए एक ही समस्या

ऊँचाई को उनके वास्तविक मूल्यों के वर्ग के रूप में सूचित किया जाता है।

{
  "initialized": false,
  "str": [],
  "width": 19.91999320925712,
  "height": 423.18367629061225,
  "vertical": false,
  "lastAdvanceWidth": 0.91875,
  "lastAdvanceHeight": 0,
  "textAdvanceScale": 20.57142864,
  "spaceWidth": 0.6,
  "fakeSpaceMin": 0.18,
  "fakeMultiSpaceMin": 0.8999999999999999,
  "fakeMultiSpaceMax": 2.4,
  "textRunBreakAllowed": false,
  "transform": [
    6.300000021,
    0,
    0,
    20.57142864,
    59.76000019919999,
    751.1999999999999
  ],
  "fontName": "Courier"
}

chadkirby 17 नव॰ 2017

@LeonMelis @Saltallica @chadkirby यदि आपको साझा करने में कोई आपत्ति नहीं है, तो आप getTextContent का उपयोग किस लिए कर रहे हैं? मैं हाल ही में कुछ चीजों को साफ करने के बारे में सोच रहा हूं, लेकिन लोगों द्वारा उपयोग की जा रही चीजों को हटाना नहीं चाहता।

brendandahl 17 नव॰ 2017

@brendandahl संक्षेप में, मैं कुछ अनुच्छेदों के चारों ओर आयत बनाने की कोशिश कर रहा हूं। मैं लक्ष्य स्ट्रिंग के लिए प्रत्येक पृष्ठ के माध्यम से खोज करता हूं, फिर जब मुझे लक्ष्य मिल जाता है, तो मुझे पैराग्राफ के बाउंडिंग बॉक्स की गणना करने की आवश्यकता होती है ताकि मैं पृष्ठ के उस हिस्से को एनोटेट कर सकूं।

chadkirby 17 नव॰ 2017

मैं टेक्स्टबॉक्स के निर्देशांक और आयामों के साथ दस्तावेज़ से टेक्स्ट निकालने के लिए इसका उपयोग करता हूं। यह मुझे दस्तावेजों को पार्स करने और प्रासंगिक डेटा निकालने की अनुमति देता है। मैं इसका उपयोग कुछ पाठ तत्वों (उन्हें हाइलाइट करते हुए) के चारों ओर आयत बनाने के लिए भी कर रहा हूँ, जैसे चाडकिर्बी करता है।

LeonMelis 18 नव॰ 2017

👍2

मैक bla.pdf पर देखा गया
मैं संस्करण 1.8.418 के साथ काम कर रहा हूं और ऊंचाई भी प्राप्त कर रहा हूं जो बहुत अतिरंजित हैं। मेरे दस्तावेज़ में मुझे उम्मीद है कि लगभग 20 के बजाय मुझे 144 की ऊंचाई मिलती है। फ़ंक्शन getTextContent गलत ऊंचाई मान देता है। संस्करण को 1.6.210 में बदलने के अलावा कोई समाधान ?? @yurydelendik
जब मैं फ़ाइल में परीक्षण शब्द खोज रहा हूं तो मुझे परीक्षण शब्द गलत हाइलाइट किया गया है। मैंने अपनी नमूना फ़ाइल संलग्न की।

mv80 7 दिस॰ 2017

ऐसा लगता है कि यह अभी भी एक समस्या है। मैं उपयोग कर रहा हूँ [email protected]

मैं मोटे तौर पर पैराग्राफ का प्रतिनिधित्व करने वाले समूहों को टेक्स्ट और मैप टेक्स्ट आइटम निकालने के लिए getTextContent का उपयोग करता हूं। आयाम और स्थिति इसके लिए महत्वपूर्ण हैं।

मेरे _own_ दस्तावेज़ों में, मैंने पाया है कि item.transform[3] लगातार मेरे उद्देश्यों के लिए पर्याप्त मूल्य प्रदान करता है।

{
  height: 72.89999999999999, // Way off
  transform: [
    9, // This value is close
    0,
    0,
    8.1, // So is this value
    54,
    756.0884
  ],
  width: 10.008000000000001
}

jacksteamdev 15 दिस॰ 2017

1.10.97 में यह अभी भी एक समस्या है। और अन्य की तरह - मैं PDF.js का उपयोग न केवल एक दर्शक के रूप में कर रहा हूं, बल्कि दस्तावेज़ के कुछ क्षेत्रों से टेक्स्ट बॉक्स प्राप्त करके डेटा निकालने के तरीके के रूप में - सटीक ऊंचाई के बिना यह काम नहीं करता है।

Saltallica 22 मई 2018

साथ ही... क्या कोई तरीका है जिससे हम किसी को इस विशेष मुद्दे पर गौर करने के लिए कह सकते हैं?

Saltallica 23 मई 2018

यदि यह 1.6.210 में काम करता है, तो आप उस प्रतिबद्धता का पता लगाने के लिए git bisect का उपयोग करने का प्रयास कर सकते हैं जहां यह वास्तव में एक प्रतिगमन है। इससे समाधान प्रक्रिया में तेजी लाने में मदद मिलेगी।

timvandermeij 23 मई 2018

मुझे एक ही समस्या है लेकिन मुझे height: 195.4404 मिलता है, यह कहीं 12 और 15 के बीच होना चाहिए (मुझे लगता है)।

मैं एक पीडीएफ को इंडेक्स करने के लिए पीडीएफजेएस का उपयोग करता हूं, और फिर पीडीएफ को पीडीएफजे के साथ सही पेज और वाई समन्वय के साथ खोलता हूं।

मैं pdfjs-dist: 1.9.638 2.0.943 अपग्रेड करने से कोई मदद नहीं मिली, मैंने 1.6.210 पर वापस लौटने का भी प्रयास किया लेकिन इससे मेरी समस्या का समाधान नहीं हुआ। (यह एक दोषपूर्ण पीडीएफ हो सकता है, लेकिन यह उन सभी पीडीएफ पाठकों में सही ढंग से प्रस्तुत होता है जिन्हें मैंने पीडीएफजे सहित कोशिश की है)।

क्या कोई और तरीका है जिससे मैं शीर्ष स्थान की गणना कर सकता हूं? मैं वर्तमान में item.transform[5] + item.height का उपयोग कर रहा हूं।

2008-005.पीडीएफ

Peter-Optiway 21 नव॰ 2018

aberkovsky 15 दिस॰ 2018

👍10

क्या यह पृष्ठ उपयोगी था?

0 / 5 - 0 रेटिंग्स

Pdf.js: getTextContent () टेक्स्ट आइटम की ऊंचाई गलत है

सबसे उपयोगी टिप्पणी

सभी 14 टिप्पणियाँ

संबंधित मुद्दों