在谷歌文档中的网站上呈现pdf

Question

在当前项目中，我需要在网页中显示PDF。现在我们正在使用Adobe PDF Reader嵌入它们，但我宁愿有更优雅的东西（读者不能很好地集成，它不能用透明区域覆盖，......）。

我设想了一些关闭谷歌文档的东西，它们将PDF显示为图像，但也允许从PDF中选择和复制文本（这是我们的要求）。

有人知道他们是怎么做到的吗？或者我们可以使用任何库来获得可比较的结果？

我知道我们可以将PDF分成服务器端的图像，但这不允许选择文本......

提前感谢您提供任何帮助

PS：基于Java的项目，使用wicket。

Answer 1

我有一些建议，但实施这些东西肯定很难。祝你好运！

第一种方法：

首先，使用像pdf-renderer（https://pdf-renderer.dev.java.net/）这样的库将PDF转换为图像。将这些图像存储在服务器上或使用缓存技术。将PDF转换为图像并不难。

然后，使用类型选择JavaScript库（http://www.typeselect.org/）在文本上叠加文本数据。此文本是可选的，而真实文本仍在原始图像中。要获得原始文本，请参阅下一个方法，或者自己动手，查看结论。

然后原始文本必须叠加在图像上，这很痛苦。

第二种方法：

PDF规范允许将文本信息链接到字体。大多数文档使用Type-3或Type-1字体的子集（通常）使用标准字符集（我认为它是Unicode，但不确定）。如果您的PDF文档不包含标准字符集（即它已经定义了它自己），则无法知道哪些字符是哪些字形（符号），因此您无法转换为文本表示。

阅读PDF文档，阅读图形对象，解析说明（使用PDF规范以获得此过程中的更多信息）以呈现文本，将其转换为HTML。 HTML转换可以根据所使用的字体（它们的名称和属性）的参数选择适当的标签（例如<H1>和<p>，还有<b>和<i>）。图形对象中的指令（字母间距，行间距，大小，面） 您可以使用pdf-renderer库来读取和解析PDF文件，然后自己编写HTML转换器代码。这并不容易，并不涵盖所有PDF文档。

在这种方法中，您将失去文档的原始外观。有些PDF生成库不使用Adobe Font技术。这也是第一种方法的问题，即使你可以看到你无法选择它（但与官方Adobe Reader的行为相同，因此你可能会说不是很重要）。

结论：

您可以选择第一种方法，第二种方法或两者兼而有之。

我不会朝着光学字符识别（OCR）的方向发展，因为它在这样的问题上真的太过分了，因为它也有几个缺点。这种方法是谷歌使用的。如果存在无法识别的字符，则人类会进行处理。

如果你是人类处理的东西;您只能使用类型选择库和PDF到图像转换并自己进行OCR，这可能是解决问题的最简单方法（人类作为机器=智能廉价，大声笑）。