Sidaoperatörer → JSON

Analysera innehållsströmmarna i en PDF och exportera operatörer/operander (TJ/Tj, Do, cm, q/Q…) sida för sida i JSON — lokalt i webbläsaren.

Importera en PDF

Inga data skickas till en server: allt görs i din webbläsare.

Felsökning av textåtergivningFörstå varför text inte visas, är omvänd eller hamnar på fel ställe (matriser, klippning, ordning).
Identifiera visade bilderIdentifiera vilka resurser (XObject) som ritas på en sida och i vilken ordning (operation Do).
Teknisk analys / omvändStudera en PDF som genererats av ett tredjepartsverktyg för att förstå dess innehållsstruktur (operationer och parametrar).

En JSON per sida som listar operationerna och deras operander (exekveringsordning bevarad).

Användbar information för att skriva detektionsregler (t.ex. sidor utan text, närvaro av transformationer, etc.).

Mycket teknisk output: den återspeglar PDF-beskrivningsspråket, inte en "mänsklig" representation av innehållet.
Strömmarna kan vara komprimerade/filtrerade: extraktionen beror på motorens förmåga att avkoda dem.
För stora PDF-filer kan exporten bli stor: rikta in dig på en sida/område om möjligt.

Ersätter detta textutvinning?

Nej. Det är ett felsökningsverktyg: det visar lågnivåoperationer, inte den rekonstruerade texten.

Ser jag mycket "q" och "Q", är det normalt?

Ja: det är mycket vanliga sparande/återställningar av grafiskt tillstånd (stack).

Vad används "cm" för?

Det är en transformation (matris) som tillämpas på referenssystemet: ofta orsaken till oväntade positioner/rotationer.

Felsökningstips: leta efter sekvenser kring "Tj/TJ" (text) och "Do" (XObject) för att förstå den verkliga visningsordningen på sidan.