Pdf.js: ctrl+f से खोजना दो शब्दों के साथ काम नहीं करता

मुझे इस पर काम करना अच्छा लगेगा,
@timvandermeij कृपया मेरी मदद करें, इस मुद्दे पर काम करते समय कहां से शुरू करें

मैं पहले यह जांचने का सुझाव दूंगा कि हमारे पास टेक्स्ट लेयर में क्या है क्योंकि यह समझा सकता है कि खोज क्यों काम नहीं कर रही है। मेरा अनुमान है कि अंतरिक्ष कारक सही नहीं है; देखें: https://github.com/mozilla/pdf.js/blob/7bb066494f3f15c396941c3532b83da6d3465c6b/src/core/evaluator.js#L1303

यह कई अन्य खुले पाठ चयन मुद्दों का कारण भी है। हालांकि, मान बदलना अन्य पीडीएफ फाइलों के लिए त्रुटि-प्रवण हो सकता है और इसके लिए अच्छे परीक्षण की आवश्यकता होगी। हमें यह जांचने की आवश्यकता हो सकती है कि अन्य ओपन सोर्स पीडीएफ दर्शक (जैसे पॉपलर) ऐसा कैसे करते हैं, क्योंकि समस्या यह है कि पीडीएफ विनिर्देश यह नहीं दर्शाता है कि पाठ चयन के लिए एक स्थान का उपयोग कब किया जाना चाहिए। यह केवल वर्णों के बीच रिक्ति चौड़ाई को परिभाषित करता है।

दुर्भाग्य से https://github.com/mozilla/pdf.js/issues/9736#issuecomment -390629834 यहां मदद नहीं करेगा, क्योंकि यह एक स्कैन की गई फ़ाइल है जहां प्रत्येक शब्द अलग-अलग फ़ॉन्ट आकार और x/y निर्देशांक के साथ व्यक्तिगत रूप से स्थित है; उदाहरण के लिए /Contents स्ट्रीम की शुरुआत देखें:

1 G
1 g
1 0 0 1 52 1145.37 Tm
/F1 11 Tf
(UTAH)Tj
1 0 0 1 90 1146.36 Tm
/F1 11 Tf
(NEWS)Tj
1 0 0 1 29 1124.14 Tm
/F1 10 Tf
(the)Tj
1 0 0 1 44 1126.03 Tm
/F1 8 Tf
(oregon)Tj
1 0 0 1 71 1124.47 Tm
/F1 9 Tf
(short)Tj
1 0 0 1 92 1125.47 Tm
/F1 9 Tf
(line)Tj

...

हैलो दोस्तों, जैसा कि मुझे यकीन है कि आप जानते हैं कि अन्य पीडीएफ प्रतिपादन परियोजनाएं भी इससे ग्रस्त हैं। मैं वर्तमान में एक वेब ऐप (नेक्स्टक्लाउड) का उपयोग कर रहा हूं जो पीडीएफ.जेएस को अपने ब्राउज़र एप्लिकेशन के लिए पीडीएफ रेंडरर के रूप में नियोजित करता है।

यहां एक फ़ाइल का उदाहरण दिया गया है जिसके साथ मैंने अन्य उपयोगिताओं पर काम किया है। यह एक विमान के ऑटोपायलट सेवा नियमावली से स्कैन किया गया अंश है, जो मूल रूप से 1970 के दशक में अज्ञात उपकरणों पर छपा था।

सेंचुरीIIB-origscan.pdf
सेंचुरीIIB-tesseract_hocr-uncleaned.pdf
सेंचुरीIIB-tesseract_hocr-cleaned.pdf

पहली फ़ाइल टेक्स्ट लेयर के बिना मूल स्कैन है। दूसरा (hocr-uncleaned) एक PDF/A है जिसे एक छिपी हुई पाठ परत बनाने के लिए Tesseract (v4.0) के साथ संसाधित किया गया है। तीसरे (hocr-uncleaned) को unpaper (v6.1) के साथ डी-

दूसरे और तीसरे दोनों मामलों में, Tesseract के साथ 'hocr' रेंडरिंग विकल्प का उपयोग OCR रेंडरिंग चरण के लिए किया गया था (Tesseract में कई आंतरिक रेंडरर्स हैं)। यदि आप जीथब पर टेसरैक्ट के मुद्दों के मंच पर एक नज़र डालते हैं, तो आप देखेंगे कि उन्होंने इस मुद्दे से निपटने के प्रयास में अपने हाल के रेंडरर में भी कुछ बदलाव किए हैं।

यहां विभिन्न उपयोगिताओं से कॉपी/पेस्ट किए गए कुछ अंश दिए गए हैं...

सफारी 11.1 (13605.1.33.1.4) पर hocr-unlceaned

The Century IIB Autopilot is an "Open Loop" system which responds only to the dynamics of the aircraft in flight, thus the only ground checks that can be accomplished are functional checks as described in this bulletin.

क्रोम पर hocr-अशुद्ध 66.0.3359.181

The Century IIB Autopilot is an "Open Loop" system which responds only to the dynamics of the aircraft in flight, thus the only ground checks that can be accomplished are functional checks as described in this bulletin.

Adobe Acrobat Pro X . पर hocr-uncleaned

The Century IIB Autopilot is an "Open Loop" system which responds only to the
dynamics of the aircraft in flight, thus the only ground checks that can be
accomplished are functional checks as described in this bulletin.

pdf.js पर hocr-uncleaned (फ़ायरफ़ॉक्स 60.0.1)

Century
IIB
Autopilot
is
an
"Open Loop"
system
which
responds
only
to
the
dynamics
of
the
aircraft
in
flight,
thus
the
only
ground
checks
that
can
be
accomplished
are
functional
checks
as
described
in
this
bulletin.

ऊपर सफारी के समान संस्करण पर hocr-cleaned

The Century IIB Autopilot is an "Open Loop’ system which responds only to the dynamics of the aircraft in flight, thus the only ground checks that can be accomplished are functional checks as described in this bulletin.

ऊपर क्रोम के समान संस्करण पर hocr-cleaned

The Century IIB Autopilot is an "Open Loop’ system which responds only to the
dynamics of the aircraft in flight, thus the only ground checks that can be
accomplished are functional checks as described in this bulletin. 

ऊपर दिए गए Adobe Acrobat Pro के समान संस्करण पर hocr-cleaned

The Century IIB Autopilot is an "Open Loop’ system which responds only to the
dynamics of the aircraft in flight, thus the only ground checks that can be
accomplished are functional checks as described in this bulletin.

उपरोक्त pdf.js (फ़ायरफ़ॉक्स) के समान संस्करण पर hocr-cleaned

Century 
IIB 
Autopilot 
is 
an 
"Open 
Loop’ 
system 
which 
responds 
only 
to 
the 
dynamics 
of 
the 
aircraft 
in 
flight, 
thus 
the 
only 
ground 
checks 
that 
can 
be 
accomplished 
are 
functional 
checks 
as 
described 
in 
this 
bulletin. 

किसी के लिए भी जो अन्य नमूना फ़ाइलों के लिए मेरे टूलचेन को पुन: पेश करना चाहता है ( main /_depedency_)...

टेसेरैक्ट 4.00.00alpha (ओसीआर के लिए)
_लेप्टनिका 1.76.0
libjpeg-टर्बो 1.5.3
libpng 1.6.34+apng
लिबटिफ 4.0.9_

अनपेपर 6.1 (डी-स्क्यू, डी-शोर, आदि के लिए)
_लिबाव 12.1
ओपनसीवी 2.4.13.1
फ्रीटाइप2 2.8_

क्यूपीडीएफ 8.0.1 (
_घोस्टस्क्रिप्ट 9.16_

OCRmyPDF 6.2.0 (उपरोक्त उपयोगिताओं के लिए अजगर v3 आवरण)

उपरोक्त सभी वस्तुतः किसी भी सामान्य लिनक्स पैकेज रेपो में हैं, OCRmyPDF पाइप में है, और उन सभी के आधुनिक निर्माण OSX के लिए होमब्रे में भी हैं (टेसेरैक्ट को उनके git HEAD में टैग किया जाना चाहिए क्योंकि v4.0 अभी भी बीटा चिह्नित है) . मैंने उन सभी को फ्रीबीएसडी पर भी चलाया है (स्रोत से टेसेरैक्ट, लेप्टनिका और अनपेपर बनाना चाहिए)। मेरी राय में, ऐसी परीक्षण फ़ाइलें बनाने के लिए उपयोग करने के लिए Tesseract/Leptonica एक महान आधार रेखा है। उन्होंने ओपन सोर्स ओसीआर को छलांग और सीमा से आगे बढ़ाया है। यहां 18वीं शताब्दी के एक दस्तावेज़ के स्कैन से एक उदाहरण दिया गया है कि यह 'लॉन्ग एस' क्या हैं और उन्हें लोअरकेस 'एफ' में ट्रांसक्रिप्ट करने के बावजूद यह एक सराहनीय काम करता है।