当我使用 .pdf 在 PDF 文件中搜索单词时mupdf。它只能找到整个单词。例如，搜索单词“meaningless”将找到整个单词：
This is a short, staggeringly meaningless sentence.
我无法提前知道一个单词是否被分成两行——因此：用连字符连接——或没有。明确地搜索连字符也太麻烦了。然而，当一个单词在行尾换行时，就找不到它了。搜索“meaningless”将找不到此示例中的单词：
This is a short, staggeringly meaning-
less sentence.
PDF 查看器“Evince”的行为方式相同。有没有一种（简单）方法可以让“Mupdf”找到连字符的术语？
答案1
请注意，PDF 不包含原始文本，而是包含字形放置位置的说明。在 PDF 中搜索文本取决于 (1) PDF 具有描述哪些字形对应于哪些 unicode 字符的表格 (2) 将这些翻译后的字符重新组装成单词的方法 (3) 关于生成应用程序如何工作的假设，例如按文本顺序放下字形（例如，当两列文本同时在两列中呈现时，这将严重失败）。
要考虑连字，您必须实现一种算法来检测行尾的破折号（可以使用不同的字形），然后合并单词（并考虑有关连字的特殊规则，例如德语ck）。
所以是的，这是可以做到的，但并不容易，而且无论如何它只适用于某些语言/脚本。
答案2
在 PDF 中搜索单词实际上是查看器的一项功能。因此，每个观看者都会采取不同的方法来处理它的工作。在实践中我发现奥库拉是我测试过的所有 PDF 查看器中的最佳选择。据我所知，Mupdf 无法处理带连字符的单词。
答案3
我不知道如何在 MuPDF 中执行此操作，但获取这些行/匹配的一种方法是使用pdftotext
pdftotext file.pdf - | grep 'meaningless'
默认情况下，pdftotext 取消行之间的连字符。
答案4
Evince 从版本 43 开始支持此功能（查找在行尾分开的单词，无论是否有连字符）。