2

我正在使用 PDFBox 从 PDF 中提取文本。PDF具有表格结构，非常简单，并且列之间的间距也很宽

这非常有效，除了所有类型的水平空间都被转换为单个空格字符，因此我无法再将列分开（列中单词中的空格看起来就像列之间的空格）。

我很欣赏通用解决方案非常困难，但在这种情况下，列之间的距离真的很远，因此在“长空格”和“单词之间的空格”之间进行简单区分就足够了。

有没有办法告诉 PDFBox 将超过 x 英寸的水平空白变成单个空格以外的东西？比例方法（x 英寸变为 y 空间）也可以。

pdftotext C 库/工具有一个“-layout”开关，试图保留布局。基本上，如果我可以用 PDFBox 模拟它，那将是完美的。

4

2 回答 2

2

似乎没有对此的设置，但是当遇到“长”空间时，我能够修改PDFTextStripper工具的源以输出列分隔符 (|)。在构建输出行的代码中，可以查看当前和前一个字母的 x 位置，如果它足够大，请做一些特殊的事情。PDFTextStripper 有很多受保护的方法，但实际上并不是那么可扩展。我最终不得不复制整个类来更改私有方法。

看着那里的代码，我称自己很幸运，使用特定的 PDF，这种简单的方法是成功的。更通用的解决方案似乎非常棘手。

于 2011-01-12T06:39:20.453 回答
1

PDF文本提取很困难。

如果文本输出为一个由空格分隔的大字符串，例如：-

PDFTextOut("     Column 1                    Column 2           Column 3");

并且您使用的是固定宽度的字体，例如 Courier，那么理论上您可以计算文本项之间的空格数，因为每个字符的宽度相同。如果字体与 Arial 等比例，则计算会更难。

实际上，大多数 PDF 是通过单独将每段文本直接放置到其位置来生成的。因此，从技术上讲，列之间没有空格字符或任何其他字符。文本只是放置在页面上的绝对位置。

PDFMoveTo(100,100);
PDFTextOut("Column 1");
PDFMoveTo(250,100);
PDFTextOut("Column 2");

为了对 PDF 文档执行数据提取，您必须做更多的工作来查找和匹配列数据，方法是使用您提到的像素位置并做出一些假设并有一点运气。

于 2011-01-12T07:10:05.200 回答