Pdf.js: ctrl + f로 검색하면 두 단어가 작동하지 않습니다

이 작업을 하고 싶습니다.
@timvandermeij 이 문제를 해결하는 동안 어디서부터 시작해야 하는지 도와주세요.

검색이 작동하지 않는 이유를 설명할 수 있기 때문에 먼저 텍스트 레이어에 무엇이 있는지 확인하는 것이 좋습니다. 내 생각에는 공간 요소가 정확하지 않다는 것입니다. 참조: https://github.com/mozilla/pdf.js/blob/7bb066494f3f15c396941c3532b83da6d3465c6b/src/core/evaluator.js#L1303

이것은 다른 많은 열린 텍스트 선택 문제의 원인이기도 합니다. 그러나 값을 변경하면 다른 PDF 파일에서 오류가 발생하기 쉬우므로 충분한 테스트가 필요합니다. 다른 오픈 소스 PDF 뷰어(예: Poppler)가 이 작업을 수행하는 방법을 확인해야 할 수도 있습니다. 문제는 PDF 사양이 텍스트 선택에 공백을 사용해야 하는 시기를 나타내지 않기 때문입니다. 문자 사이의 간격 너비만 정의했습니다.

불행히도 https://github.com/mozilla/pdf.js/issues/9736#issuecomment -390629834는 여기에서 도움이 되지 않습니다. 이것은 모든 단어가 다른 글꼴 크기와 x/y 좌표로 개별적으로 배치되는 스캔 파일이기 때문입니다. 예를 들어 /Contents 스트림의 시작을 참조하십시오.

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

...

안녕하세요 여러분, 다른 PDF 렌더링 프로젝트에서도 이 문제를 겪고 있다는 것을 알고 계실 것입니다. 저는 현재 pdf.js를 브라우저 애플리케이션용 PDF 렌더러로 사용하는 웹 앱(Nextcloud)을 사용하고 있습니다.

다음은 다른 유틸리티에서 작업한 파일의 예입니다. 이것은 원래 알 수 없는 장비에 1970년대에 인쇄된 항공기의 자동 조종 장치 서비스 매뉴얼에서 스캔한 발췌문입니다.

CenturyIIB-origscan.pdf
CenturyIIB-tesseract_hocr-uncleaned.pdf
CenturyIIB-tesseract_hocr-cleaned.pdf

첫 번째 파일은 텍스트 레이어가 없는 원본 스캔입니다. 두 번째(hocr-uncleaned)는 숨겨진 텍스트 레이어를 만들기 위해 Tesseract(v4.0) 로 처리된 PDF/A입니다. 세 번째(hocr-uncleaned)는 unpaper(v6.1) 로 기울기를 제거한 다음 동일한 버전의 Tesseract로 OCR 처리하고 PDF/A로도 출력합니다. 두 PDF/A의 경우 원본 스캔이 최종 출력을 위해 300dpi jpeg로 코드 변환되었습니다.

두 번째 및 세 번째 경우 모두 Tesseract의 'hocr' 렌더링 옵션이 OCR 렌더링 단계에 사용되었습니다(Tesseract에는 여러 내부 렌더러가 있음). github에서 Tesseract의 문제 포럼을 살펴보면 이 문제도 해결하기 위해 최신 렌더러를 일부 변경했음을 알 수 있습니다.

다음은 다양한 유틸리티에서 복사/붙여넣기한 일부 발췌문입니다...

Safari 11.1에서 hocr-unlceaned(13605.1.33.1.4)

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.

Chrome 66.0.3359.181에서 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.

Adobe Acrobat Pro X에서 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.js에서 hocr-uncleaned(Firefox 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.

위의 동일한 Safari 버전에서 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.

위의 동일한 Chrome 버전에서 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. 

위의 Adobe Acrobat Pro와 동일한 버전에서 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.

위의 동일한 버전의 pdf.js(Firefox)에서 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. 

다른 샘플 파일( 메인 /_depedency_)에 대해 내 툴체인을 재현하려는 사람을 위해...

tesseract 4.00.00alpha (OCR용)
_렙토니카 1.76.0
libjpeg-터보 1.5.3
libpng 1.6.34+apng
리브티프 4.0.9_

unpaper 6.1 (기울기 제거, 노이즈 제거 등)
_리바브 12.1
opencv 2.4.13.1
자유형2 2.8_

qpdf 8.0.1 (PDF의 검사/수정/작성용)
_고스트스크립트 9.16_

OCRmyPDF 6.2.0 (위 유틸리티에 대한 python v3 래퍼)

위의 모든 내용은 거의 모든 일반적인 Linux 패키지 저장소에 있고 OCRmyPDF는 pip에 있으며 모든 최신 빌드는 OSX용 Homebrew에도 있습니다(v4.0은 여전히 ​​베타로 표시되어 있으므로 tesseract는 git HEAD에 태그를 지정해야 함) . 나는 또한 그것들을 모두 FreeBSD에서 실행했습니다(Tesseract, Leptonica 및 소스에서 언페이퍼를 빌드해야 함). 내 생각에 Tesseract/Leptonica는 이러한 테스트 파일을 만드는 데 사용할 수 있는 훌륭한 기준선입니다. 그들은 오픈 소스 OCR을 비약적으로 발전시켰습니다. 다음 은 '긴 S'가 무엇인지 모르고 소문자 'f'로 표기했음에도 불구하고 훌륭한 작업을 수행하는 18세기 문서 스캔의 예입니다.