更新：如何解决PDF文件中的确切位置？

Question

这个问题似乎有点奇怪，但是它有一个非常实际的用例。

假定我们选择了PDF文件的任意部分以生成校验和，例如以下屏幕截图中的选定文本（突出显示的文本）：

然后我们使用哈希函数从选定的文本生成校验和。 我们交付（不发送）整个PDF文件以及此校验和到接收方，以使该接收方不知道已选择PDF文件的哪个部分并对其进行哈希处理。并且此接收者想要验证此校验和。因此，他们需要确切地知道已选择PDF文件的哪个部分并对其进行哈希处理。因此，我们需要找到一种解决方案，使接收方可以找到所选文本和散列文本的确切位置。

由于哈希函数不可逆，因此问题在于：

接收方如何才能在PDF文件中准确找到选定的和散列的文本？

例如，确定PDF文件中所选和散列文本的确切位置和位置是否可行？ （这非常敏感，因为即使错误的字符或空格也可能导致校验和验证失败。）

是否有可靠的方法来应对这一挑战？

注释1：如果问题不清楚，请让我知道以详细解释。

重要提示：：请注意，由于篇幅所限，我们只能存储校验和值以及一些显示所选文本位置的有限数据，这意味着我们无法存储全部内容选择的文字。

用例：我们打算通过验证程序来验证文档中所选文本的完整性。校验和以及寻址到哈希文本的信息将存储在区块链中，因此由于存储在区块链中的限制（这很昂贵），我们无法将整个选定和哈希的文本存储在区块链中，而是仅存储一些有用的信息，可解决所选文本和散列文本的确切位置。验证者可以访问整个文档，但是他们不知道文档的哪一部分已被散列。他们需要知道它以验证校验和。

假设证明者有证书（纸质），他需要证明自己是证书的所有者。他扫描证书（将其数字化为任何格式更好）。证书的颁发者已经选择了证书的一些敏感部分（例如所有者信息等），并在每个选定的部分分别对其进行哈希处理以生成校验和。当证明者（所有者）将证书交付给验证者时，验证者需要检查所有校验和。在此步骤中，您需要知道对证书的哪些部分进行了哈希处理。因此，我们需要将有用的数据附加到校验和，以便验证者可以找到散列的部分。

请注意，所选文本不会被记录，但也会被选中以生成校验和。但是，验证者需要知道此文本的内容以验证校验和。问题在于，由于在区块链中存储数据的限制，我们无法存储整个散列文本，但是我们只能存储一些有用的信息，这些信息可以满足散列文本的确切位置。

更新：该问题与（FREE Tool for watching coordinates in PDF）有关，在该问题中，使用工具我们可以找到所选文本的确切（x，y）坐标。我不确定该工具是否可以用于我的问题。

Answer 1

请注意，PDF文件不包含文本。它包含一棵对象树，其中一些对象是包含Postscript简化变体的流，其中包含命令，这些命令告诉渲染器将哪些字形放在哪里（或其他命令）。呈现图形输出）。

我建议使用mutool包中的mupdf之类的工具来解压缩一个小的PDF文档中的流，并在文本编辑器中将其打开以亲自查看它的外观。

因此，当您在渲染器中选择“文本”时，您就迷上了将字形放置在页面上的渲染器过程。现在，渲染器可以做出一些努力来将字形重新转换为文本，这取决于（1）在PDF中具有用于该字形的表，（2）假设生成PDF的应用程序是如何工作的（例如，它设计了字形）顺序与原始文本相同）。如果您对此重新翻译的文本进行哈希处理，则将始终取决于渲染器进行重新翻译的方法。

因此，您的用例（无论对什么都有好处）将需要为发送者和接收者使用相同的渲染程序。

另一方面，假定嵌入字体或相同字体，则呈现是确定性的（尤其是在同一呈现器中）。因此，最简单的方法是只记录您在页面上的位置的准确选择以及页码，然后发送此信息。

修改

如果首先要扫描纸质文档，并且需要标记几个矩形区域，则为图像选择某种格式，找到矩形的确切像素位置，然后将矩形内的像素提取为某种定义的格式（ （例如RGB 8 + 8 + 8），并对此数据进行哈希处理。然后将矩形位置与哈希一起发送。

为了方便起见，您可以将多个扫描的图像存储在PDF中，然后使用多种工具将其从PDF中提取出来，但是只要您同意某种格式，存储图像的方式并不重要（因为有损压缩可能会改变像素值。

这将要求您存档扫描的图像（PDF或任何其他形式）。