搜索pdf文件中的文字

Question

是否可以使用delphi在pdf文件中搜索「文字」？

我有代碼，我可以在許多其他文件中搜索像（EXE，DLL，TXT），但它不適用於PDF文件。

Answer 1

這取決於特定PDF的結構。

如果pdf是由圖像（掃描的頁面）組成，那麼您必須對每張圖像進行OCR並在PDF內部構建完整的文本索引。 （要查看它的圖像是否存在，請用記事本打開並查找包含隨機字符的obj標籤）。有幾個實用程序和應用程序可以爲你做這種工作，CVision PDF Compressor是我以前使用過的。

如果pdf是一個標準的PDF，那麼你應該可以像打開任何其他文本文件一樣打開它並搜索這些詞。

Here是將詳細介紹PDF的一些結構的頁面。 This一個SO職位相同。

Answer 2

PDF不只是一個二進制表示。把它看作一個對象樹，其中一個對象節點有一些元數據和一些內容信息。其中一些對象有字符串數據，有些則不。其中一些甚至被加密，有些被壓縮。所以，你的字符串查找程序很難在任何PDF上運行。

Answer 3

回答this question中提到的組件/庫應該做你需要的。

Answer 4

我只是在做一個這樣的項目。我使用的方法是將PDF文件轉換爲純文本（使用pdftotext.exe），並在結果文本上創建一個索引。我們對word和其他辦公文件也做同樣的工作，效果很好！

直接從德爾福（沒有外部應用程序）直接搜索pdf文件是我覺得更困難。如果您發現任何問題，請在此更新，因爲我也會對此感興趣！

Answer 5

我使用的一個選項是使用微軟的ifilter技術，這是用於Windows桌面搜索和許多其他產品，如SharePoint和SQL Server全文搜索。

它支持幾乎任何類似office/office的文件格式，甚至包括dwg，msg，pdf和zip/rar歸檔文件。

最簡單的使用方法是在任何文件上運行FiltDump.exe，然後索引文本輸出。

要了解安裝在PC上的過濾器，可以使用ifilter explorer。 維基百科的ifilters page有一些鏈接。

Answer 6

快速PDF庫的GetPageText功能可以爲您提供PDF格式的文字以及頁碼和這些文字的座標 - 有時用於突出顯示。