src/third_party/pdfium/core/src/fpdftext/fpdf_text_search.cpp

   1 // Copyright 2014 PDFium Authors. All rights reserved.
   2 // Use of this source code is governed by a BSD-style license that can be
   3 // found in the LICENSE file.
   4
   5 // Original code copyright 2014 Foxit Software Inc. http://www.foxitsoftware.com
   6
   7 #include "../../include/fpdfapi/fpdf_pageobj.h"
   8 #include "../../include/fpdftext/fpdf_text.h"
   9 #include "../../include/fpdfapi/fpdf_page.h"
  10 class CPDF_TextStream : public CFX_Object
  11 {
  12 public:
  13     CPDF_TextStream(CFX_WideTextBuf& buffer, FX_BOOL bUseLF, CFX_PtrArray* pObjArray);
  14     ~CPDF_TextStream() {}
  15     FX_BOOL ProcessObject(const CPDF_TextObject* pObj, FX_BOOL bFirstLine);
  16     CFX_WideTextBuf&    m_Buffer;
  17     FX_BOOL                             m_bUseLF;
  18     CFX_PtrArray*               m_pObjArray;
  19     const CPDF_TextObject*      m_pLastObj;
  20 };
  21 CPDF_TextStream::CPDF_TextStream(CFX_WideTextBuf& buffer, FX_BOOL bUseLF, CFX_PtrArray* pObjArray) : m_Buffer(buffer)
  22 {
  23     m_pLastObj = NULL;
  24     m_bUseLF = bUseLF;
  25     m_pObjArray = pObjArray;
  26 }
  27 FX_BOOL FPDFText_IsSameTextObject(const CPDF_TextObject* pTextObj1, const CPDF_TextObject* pTextObj2)
  28 {
  29     if (!pTextObj1 || !pTextObj2) {
  30         return FALSE;
  31     }
  32     CFX_FloatRect rcPreObj(pTextObj2->m_Left, pTextObj2->m_Bottom, pTextObj2->m_Right, pTextObj2->m_Top);
  33     CFX_FloatRect rcCurObj(pTextObj1->m_Left, pTextObj1->m_Bottom, pTextObj1->m_Right, pTextObj1->m_Top);
  34     if (rcPreObj.IsEmpty() && rcCurObj.IsEmpty()) {
  35         return TRUE;
  36     }
  37     if (!rcPreObj.IsEmpty() || !rcCurObj.IsEmpty()) {
  38         rcPreObj.Intersect(rcCurObj);
  39         if (rcPreObj.IsEmpty()) {
  40             return FALSE;
  41         }
  42         if (FXSYS_fabs(rcPreObj.Width() - rcCurObj.Width()) > rcCurObj.Width() / 2) {
  43             return FALSE;
  44         }
  45         if (pTextObj2->GetFontSize() != pTextObj1->GetFontSize()) {
  46             return FALSE;
  47         }
  48     }
  49     int nPreCount = pTextObj2->CountItems();
  50     int nCurCount = pTextObj1->CountItems();
  51     if (nPreCount != nCurCount) {
  52         return FALSE;
  53     }
  54     for (int i = 0; i < nPreCount; i++) {
  55         CPDF_TextObjectItem itemPer, itemCur;
  56         pTextObj2->GetItemInfo(i, &itemPer);
  57         pTextObj1->GetItemInfo(i, &itemCur);
  58         if (itemCur.m_CharCode != itemPer.m_CharCode) {
  59             return FALSE;
  60         }
  61     }
  62     return TRUE;
  63 }
  64 int GetCharWidth(FX_DWORD charCode, CPDF_Font* pFont)
  65 {
  66     if(charCode == -1) {
  67         return 0;
  68     }
  69     int w = pFont->GetCharWidthF(charCode);
  70     if(w == 0) {
  71         CFX_ByteString str;
  72         pFont->AppendChar(str, charCode);
  73         w = pFont->GetStringWidth(str, 1);
  74         if(w == 0) {
  75             FX_RECT BBox;
  76             pFont->GetCharBBox(charCode, BBox);
  77             w = BBox.right - BBox.left;
  78         }
  79     }
  80     return w;
  81 }
  82 int FPDFText_ProcessInterObj(const CPDF_TextObject* pPrevObj, const CPDF_TextObject* pObj)
  83 {
  84     if(FPDFText_IsSameTextObject(pPrevObj, pObj)) {
  85         return -1;
  86     }
  87     CPDF_TextObjectItem item;
  88     int nItem = pPrevObj->CountItems();
  89     pPrevObj->GetItemInfo(nItem - 1, &item);
  90     FX_WCHAR preChar = 0, curChar = 0;
  91     CFX_WideString wstr = pPrevObj->GetFont()->UnicodeFromCharCode(item.m_CharCode);
  92     if(wstr.GetLength()) {
  93         preChar = wstr.GetAt(0);
  94     }
  95     FX_FLOAT last_pos = item.m_OriginX;
  96     int nLastWidth = GetCharWidth(item.m_CharCode, pPrevObj->GetFont());
  97     FX_FLOAT last_width = nLastWidth * pPrevObj->GetFontSize() / 1000;
  98     last_width = FXSYS_fabs(last_width);
  99     pObj->GetItemInfo(0, &item);
 100     wstr = pObj->GetFont()->UnicodeFromCharCode(item.m_CharCode);
 101     if(wstr.GetLength()) {
 102         curChar = wstr.GetAt(0);
 103     }
 104     int nThisWidth = GetCharWidth(item.m_CharCode, pObj->GetFont());
 105     FX_FLOAT this_width = nThisWidth * pObj->GetFontSize() / 1000;
 106     this_width = FXSYS_fabs(this_width);
 107     FX_FLOAT threshold = last_width > this_width ? last_width / 4 : this_width / 4;
 108     CFX_AffineMatrix prev_matrix, prev_reverse;
 109     pPrevObj->GetTextMatrix(&prev_matrix);
 110     prev_reverse.SetReverse(prev_matrix);
 111     FX_FLOAT x = pObj->GetPosX(), y = pObj->GetPosY();
 112     prev_reverse.Transform(x, y);
 113     if (FXSYS_fabs(y) > threshold * 2) {
 114         return 2;
 115     }
 116     threshold = (FX_FLOAT)(nLastWidth > nThisWidth ? nLastWidth : nThisWidth);
 117     threshold = threshold > 400 ? (threshold < 700 ? threshold / 4 :  threshold / 5) : (threshold / 2);
 118     threshold *= nLastWidth > nThisWidth ? FXSYS_fabs(pPrevObj->GetFontSize()) : FXSYS_fabs(pObj->GetFontSize());
 119     threshold /= 1000;
 120     if (FXSYS_fabs(last_pos + last_width - x) > threshold && curChar != L' ' && preChar != L' ')
 121         if(curChar != L' ' && preChar != L' ') {
 122             if((x - last_pos - last_width) > threshold || (last_pos - x - last_width) > threshold) {
 123                 return 1;
 124             }
 125             if(x < 0 && (last_pos - x - last_width) > threshold) {
 126                 return 1;
 127             }
 128             if((x - last_pos - last_width) > this_width || (x - last_pos - this_width) > last_width ) {
 129                 return 1;
 130             }
 131         }
 132     if(last_pos + last_width > x + this_width && curChar == L' ') {
 133         return 3;
 134     }
 135     return 0;
 136 }
 137 FX_BOOL CPDF_TextStream::ProcessObject(const CPDF_TextObject* pObj, FX_BOOL bFirstLine)
 138 {
 139     CPDF_Font* pFont = pObj->GetFont();
 140     CFX_AffineMatrix matrix;
 141     pObj->GetTextMatrix(&matrix);
 142     int item_index = 0;
 143     if (m_pLastObj) {
 144         int result = FPDFText_ProcessInterObj(m_pLastObj, pObj);
 145         if (result == 2) {
 146             int len = m_Buffer.GetLength();
 147             if (len && m_bUseLF && m_Buffer.GetBuffer()[len - 1] == L'-') {
 148                 m_Buffer.Delete(len - 1, 1);
 149                 if (m_pObjArray) {
 150                     m_pObjArray->RemoveAt((len - 1) * 2, 2);
 151                 }
 152             } else {
 153                 if (bFirstLine) {
 154                     return TRUE;
 155                 }
 156                 if (m_bUseLF) {
 157                     m_Buffer.AppendChar(L'\r');
 158                     m_Buffer.AppendChar(L'\n');
 159                     if (m_pObjArray) {
 160                         for (int i = 0; i < 4; i ++) {
 161                             m_pObjArray->Add(NULL);
 162                         }
 163                     }
 164                 } else {
 165                     m_Buffer.AppendChar(' ');
 166                     if (m_pObjArray) {
 167                         m_pObjArray->Add(NULL);
 168                         m_pObjArray->Add(NULL);
 169                     }
 170                 }
 171             }
 172         } else if (result == 1) {
 173             m_Buffer.AppendChar(L' ');
 174             if (m_pObjArray) {
 175                 m_pObjArray->Add(NULL);
 176                 m_pObjArray->Add(NULL);
 177             }
 178         } else if (result == -1) {
 179             m_pLastObj = pObj;
 180             return FALSE;
 181         } else if (result == 3) {
 182             item_index = 1;
 183         }
 184     }
 185     m_pLastObj = pObj;
 186     int nItems = pObj->CountItems();
 187     FX_FLOAT Ignorekerning = 0;
 188     for(int i = 1; i < nItems - 1; i += 2) {
 189         CPDF_TextObjectItem item;
 190         pObj->GetItemInfo(i, &item);
 191         if (item.m_CharCode == (FX_DWORD) - 1) {
 192             if(i == 1) {
 193                 Ignorekerning = item.m_OriginX;
 194             } else if(Ignorekerning > item.m_OriginX) {
 195                 Ignorekerning = item.m_OriginX;
 196             }
 197         } else {
 198             Ignorekerning = 0;
 199             break;
 200         }
 201     }
 202     FX_FLOAT spacing = 0;
 203     for (; item_index < nItems; item_index ++) {
 204         CPDF_TextObjectItem item;
 205         pObj->GetItemInfo(item_index, &item);
 206         if (item.m_CharCode == (FX_DWORD) - 1) {
 207             CFX_WideString wstr = m_Buffer.GetWideString();
 208             if (wstr.IsEmpty() || wstr.GetAt(wstr.GetLength() - 1) == L' ') {
 209                 continue;
 210             }
 211             FX_FLOAT fontsize_h = pObj->m_TextState.GetFontSizeH();
 212             spacing = -fontsize_h * (item.m_OriginX - Ignorekerning) / 1000;
 213             continue;
 214         }
 215         FX_FLOAT charSpace = pObj->m_TextState.GetObject()->m_CharSpace;
 216         if(nItems > 3 && !spacing) {
 217             charSpace = 0;
 218         }
 219         if((spacing || charSpace) && item_index > 0) {
 220             int last_width = 0;
 221             FX_FLOAT fontsize_h = pObj->m_TextState.GetFontSizeH();
 222             FX_DWORD space_charcode = pFont->CharCodeFromUnicode(' ');
 223             FX_FLOAT threshold = 0;
 224             if (space_charcode != -1) {
 225                 threshold = fontsize_h * pFont->GetCharWidthF(space_charcode) / 1000 ;
 226             }
 227             if(threshold > fontsize_h / 3) {
 228                 threshold = 0;
 229             } else {
 230                 threshold /= 2;
 231             }
 232             if (threshold == 0) {
 233                 threshold = fontsize_h;
 234                 int this_width = FXSYS_abs(GetCharWidth(item.m_CharCode, pFont));
 235                 threshold = this_width > last_width ? (FX_FLOAT)this_width : (FX_FLOAT)last_width;
 236                 int nDivide = 6;
 237                 if (threshold < 300) {
 238                     nDivide = 2;
 239                 } else if (threshold < 500) {
 240                     nDivide = 4;
 241                 } else if (threshold < 700) {
 242                     nDivide = 5;
 243                 }
 244                 threshold = threshold / nDivide;
 245                 threshold = fontsize_h * threshold / 1000;
 246             }
 247             if(charSpace > 0.001) {
 248                 spacing += matrix.TransformDistance(charSpace);
 249             } else if(charSpace < -0.001) {
 250                 spacing -= matrix.TransformDistance(FXSYS_fabs(charSpace));
 251             }
 252             if (threshold && (spacing && spacing >= threshold) ) {
 253                 m_Buffer.AppendChar(L' ');
 254                 if (m_pObjArray) {
 255                     m_pObjArray->Add(NULL);
 256                     m_pObjArray->Add(NULL);
 257                 }
 258             }
 259             if (item.m_CharCode == (FX_DWORD) - 1) {
 260                 continue;
 261             }
 262             spacing = 0;
 263         }
 264         CFX_WideString unicode_str = pFont->UnicodeFromCharCode(item.m_CharCode);
 265         if (unicode_str.IsEmpty()) {
 266             m_Buffer.AppendChar((FX_WCHAR)item.m_CharCode);
 267             if (m_pObjArray) {
 268                 m_pObjArray->Add((void*)pObj);
 269                 m_pObjArray->Add((void*)(FX_INTPTR)item_index);
 270             }
 271         } else {
 272             m_Buffer << unicode_str;
 273             if (m_pObjArray) {
 274                 for (int i = 0; i < unicode_str.GetLength(); i ++) {
 275                     m_pObjArray->Add((void*)pObj);
 276                     m_pObjArray->Add((void*)(FX_INTPTR)item_index);
 277                 }
 278             }
 279         }
 280     }
 281     return FALSE;
 282 }
 283 void _PDF_GetTextStream_Unicode(CFX_WideTextBuf& buffer, CPDF_PageObjects* pPage, FX_BOOL bUseLF,
 284                                 CFX_PtrArray* pObjArray)
 285 {
 286     CPDF_TextStream textstream(buffer, bUseLF, pObjArray);
 287     FX_POSITION pos = pPage->GetFirstObjectPosition();
 288     while (pos) {
 289         CPDF_PageObject* pObject = pPage->GetNextObject(pos);
 290         if (pObject == NULL) {
 291             continue;
 292         }
 293         if (pObject->m_Type != PDFPAGE_TEXT) {
 294             continue;
 295         }
 296         textstream.ProcessObject((CPDF_TextObject*)pObject, FALSE);
 297     }
 298 }
 299 CFX_WideString PDF_GetFirstTextLine_Unicode(CPDF_Document* pDoc, CPDF_Dictionary* pPage)
 300 {
 301     CFX_WideTextBuf buffer;
 302     buffer.EstimateSize(0, 1024);
 303     CPDF_Page page;
 304     page.Load(pDoc, pPage);
 305     CPDF_ParseOptions options;
 306     options.m_bTextOnly = TRUE;
 307     options.m_bSeparateForm = FALSE;
 308     page.ParseContent(&options);
 309     CPDF_TextStream textstream(buffer, FALSE, NULL);
 310     FX_POSITION pos = page.GetFirstObjectPosition();
 311     while (pos) {
 312         CPDF_PageObject* pObject = page.GetNextObject(pos);
 313         if (pObject->m_Type != PDFPAGE_TEXT) {
 314             continue;
 315         }
 316         if (textstream.ProcessObject((CPDF_TextObject*)pObject, TRUE)) {
 317             break;
 318         }
 319     }
 320     return buffer.GetWideString();
 321 }