文本搜索和替換PDF

Question

我使用的是HTML轉換爲PDF的工具，叫做Docraptor生成報告的用戶的PDF文件可以從一個網站，我的工作產生。然而，這種轉換需要一點時間。因此，我緩存我生成的PDF，並使用生成的HTML的十六進制摘要作爲緩存鍵。

最近我們決定將當前日期和時間添加到每個報告。這當然意味着，即使報表內容保持不變，HTML（以及因此十六進制摘要）也會在每一代報表上發生變化，並且我們將始終必須生成另一個PDF。

我認爲，在生成HTML時，我可以在當前日期和時間的位置放置一個令牌（例如，'__CURRENT_DATE_TIME__'），並且可以在緩存的PDF中進行文本搜索和替換。不幸的是，PDF似乎正在使用一種編碼，使得它更復雜一些。這裏的編碼文本的例子：

\x947+\xbf\xad|H\xf9c\xe5\xcf\x95\xa7\x941\xd5\x1d\xaa\x07US\xaa\xb7\xd4\t\xea\nu\xbbz\xad\xfa&\xf5w\xd5\x87\xd5\xbfS\xc74\xb9\xe8Om\xc8}\xfe\xbc4w\x07\xb9T\xe1\xe5\xf6\x90\x187\x85r\xff\x90\x1b\xe3\xff\x8d\xfb:y\xe2\xbcL\xb8\x1b9\xe8\x85\x8d\xdc\x14\xff\x0c\xf7\xcd\xab\xf6\xf0o\xf0\xdf\xe3\xae\x05P4\xb3\xe9E\x98\xc5^\x82\x1f\xc0K\xca_+\x92\x95o\xc1\x8b\\:\xbc\x87\xf9\xf0\xeb\xbc\x9f\xfb!w/g%\x15\xfcB\xc5\r\x8a\x970\xebL \x9f\x0fq\'85\xb7\x0f1\xfe\x84\xd6\xd8\x08\x17\x934\xf8\x8bb\x1d\xbc\x8f\xfa?\xa2\xdc\x8d:]\xcc\x1d\'Op/p\x17\xa1\'\x1f\x83\x87\xb9\xc3p/\xec\x85\x00\xa9D\xeez\xe1I\xf8\x18\xbeF\x0e\xf1"9\x88~\xb7\x03\x8e\xc2\xbbp\xf2\x1c\xb7\n\xef\xd9F\xae^e\xe5\xb6\xaaj\xd0B\x87\xc8\xaa\xd8\x8b\\~\xecO\x18\xf5\xbf\'7\xc0\xeb\xfc\xc7\xe8\xfb\xeb\xc8\n\xe2\x85G\xe1M\xb4\xfao\x88\x8f\xd8\x153\n\x1b\xbc\x8c\x99/\x0b\xeeG\xaf\xfd#Lb\x0c\xfe\\\x91\x8d\x11\xf4\x11\x1c\xe2}\xb0^q\x12m\xee=\xfb\xb3\x99f\xe5\x18\x7f\x1d9\xc35\xa09SY\xe6^I\xb31\xe6\xe0{0W\xd1<\x9a\x08\xfb\xd0\x130\x8b\xb0\x88\xfe\x13\xfc\x828Q\x8b\xbfV\xbd\x06\xf7\xc1\xed\xf04\x9f\x0c9\xfc#\xdcN.\xc6\xffT!\xc2\xbf\xc0I~9\xeez5\xe6\xa7\x0c\xe2CJC0\x80r\x88\xb1?\xcc<\x8c\x14.\x87*\xa8"\x9b\xc8zh\xc6\x99\xa5\x90\x15\x1bB\xce\x1f\xc5\\$\xc56\xc4\xeeUv*=\xf0K\xb2\x9c$\xc3\xb3\x98\xbd\xac\xa8\xc5\xbb\x94\xda\x99\xd3\x88y\x00\xe3\xf0uXJn\x86\xc9\x99^\x98\xc6s\xc5JrH)z\xd3i\xe5V\xe5\x1e\xe5\xe3\xca\x03\xca\x1f*\x7f\xa1Z\x00W`\xd4\xde\x8fV|\x03>\xc4SC$=\xa8\x8bw\xe0o\xe8\xeb\x8d\x18=\x85\x18?\r\xc8\xc5R<\xc3\x06\xb9N\xfe\x19h"\xe90\x8290\x0f\xf3v#\xea`=Z2\x8cT\xae\x85[0\x9e\x1e\xc13\xe4\x97\xf0\x01\x11\xc8\x06\xf8!\x1c\xc3\xc8I\xc58\xef\xc1\xfd5H\xa7\x15.F\xab\x87\xe1Q\xcc\x8e\xd7\x91I\x1c\xe9\x85,(@=}L\x12I\x157\x86\xfb\xd1<{\x17\xe6\xd9i\xe4\xe9w\xf0\x07\xcc\x1c1\xc6W!YH\x9a\xd1z=\xf07\x1a\xcb\xb8C\x05\xb4\x93\xfd\xb08v\x10=a\x054\xf3/\xc1\x7fB6\x9e\xae\x8d\x18\xa3\x0f\xe3\xban\xf4\x8dD\xc8\x84j\xe5\x9b\x84\x83\xc2\x99\x15\xb1*n\x80\x7f\x86\xa4\xe0i\x98\x88^\xb5\x16O\xf6Ed\x14\xb90\xa2\x1cg!\x99\xac\x84\xf2\x99%P\x8dg\xecNhW>"IR}\xdd\xa2\xda\x855\xd5U\x95\xe5\xbe\xb2\xd2\x05%\xde\xe2\xa2BOA~^ 

首先，它是合理的期望，'__CURRENT_DATE_TIME__'（正確編碼），可以發現有什麼地方？如果是的話，我將如何去編碼該字符串，以便我可以做一個簡單的搜索和替換？

Answer 1

我可以把令牌當前日期和時間（例如，「CURRENT_DATE_TIME」），並且我可以做一個文本搜索和高速緩存的PDF內更換的地方

只給你一個想法，爲什麼這很可能不會工作：

1. 在PDF中最常見的網頁內容流（和其他流，太）都存儲在一個泄了氣的壓縮格式。因此，應用於該文件的正常grep或任何可比較的文本搜索無法找到您的佔位符。

   即使您配置PDF生成軟件，以不壓縮的內容流，你最有可能有麻煩，這是因爲：

2. 串在網頁內容的編碼不一定是一個標準的ASCII'ish編碼。特別是在部分嵌入字體的情況下，您經常會看到一種自定義編碼，其中文檔中使用的第一個字形編碼爲0，第二個字形編碼爲1，...這樣的自定義編碼顯然會破壞文本替代方法。

   即使你是在唯一標準編碼使用的情況下，例如WinAnsiEncoding，你仍可能有麻煩，這是因爲：

3. 在頁面內容文本繪製的操作不一定是在閱讀順序。例如。您的樣本佔位符可能會被抽成三個數據包，分別是TIME，DATE，CURRENT。這可以防止您識別佔位符。

   即使不以你的情況發生，你可能還是會遇到麻煩，因爲：

4. 即使你的佔位符的部分按照正確的順序繪製，它們可以被畫成單獨的塊中間的數字表示字距信息，即增加或減少字符寬度，以免某些字母組合在未按標準距離打印時看起來更好。這些信息再次打破您的文字替代方法。

如果有問題的文件沒有提供這些信息字距也採用上述任何其他選項，你的佔位符很可能被畫成一個文本塊，可以通過文本搜索找到。但是，如果您的編輯更改了內容的長度，那麼您還必須在PDF中提供交叉引用信息，因爲PDF中的許多對象的偏移量都是由它們的偏移量引用的文檔開始。

Answer 2

你可能會更好緩存PDF和而不是使用「文字」或其他內容，日期/時間，你可以選擇使用「水印」或「郵票」，並確保它在正確的位置。

這樣，你就可以使用您已有的PDF，並添加你需要在任何特定時刻的信息。我知道PDFtk是一個免費的工具，可以用來做這件事，雖然它快速且免費，但我並不贊成，因爲它不會保留內容（它會改變一些元數據），但是必須有足夠的那裏有其他工具可以做到這一點。

希望這種方式可以節省你一些時間。