手头的文本提取器 Pdf2Dom'sPDFDomTree
是基于 PDFBox' 的,PDFTextStripper
但仅使用它将 PDF 绘图指令解析为具有样式和位置的字符,同时它对这些丰富的字符本身进行所有分析。
PDFBoxTree
特别是它会忽略其父类中所有传入的空白字符:
protected void processTextPosition(TextPosition text)
{
if (text.isDiacritic())
{
lastDia = text;
}
else if (!text.getUnicode().trim().isEmpty())
{
[...process character...]
}
}
(org.fit.pdfdom.PDFBoxTree
覆盖processTextPosition
)
在该[...process character...]
块中,它尝试通过硬编码距离识别字间距:
//should we split the boxes?
boolean split = lastText == null || distx > 1.0f || distx < -6.0f || Math.abs(disty) > 1.0f
|| isReversed(getTextDirectionality(text)) != isReversed(getTextDirectionality(lastText));
(在[...process character...]
上面的块内)
由于 PDF 中的文本开始时很小(9pt 由 Pdf2Dom 确定)并且在许多行中非常紧密地设置,单词之间的间隙通常小于1.0
上面假设的 ( distx > 1.0f
)。
在我看来,这里有两个问题:
删除空格意味着丢弃信息;(在某些情况下,这可能是有利的,我见过两次绘制同一行的 PDF,其中一个绘图字符串参数包含空格,而另一个包含可见字符;但这些是例外。)
具有硬编码的距离限制distx > 1.0f
,distx < -6.0f
等,即使字体大小(以及它们的间隙大小)可能会有很大差异。
这些问题应该在代码中修复。像您的 demo.pdf 这样的 PDF 有两种可能的解决方法:
选择不同的距离限制
真正的修复应该尝试使距离限制动态化,这取决于字体大小,甚至可能是当前行中到当前位置的平均字符距离。PDF 的一种解决方法是将硬编码距离替换为较小的硬编码距离。
例如使用.5f
而不是1.0f
作为单词距离,即将上面的测试替换为
//should we split the boxes?
boolean split = lastText == null || distx > .5f || distx < -6.0f || Math.abs(disty) > 1.0f
这会导致 Pdf2Dom 识别文档中的词间隙(或者至少更多,我没有检查所有这些)。
将空格解释为拆分
除了忽略空格之外,您还可以将它们显式解释为单词间隙,例如通过processTextPosition
像这样增强覆盖
protected void processTextPosition(TextPosition text)
{
if (text.isDiacritic())
{
lastDia = text;
}
else if (!text.getUnicode().trim().isEmpty())
{
[...process character...]
} else {
//!! process white spaces here
//finish current box (if any)
if (lastText != null)
{
finishBox();
}
//start a new box
curstyle = new BoxStyle(style);
lastText = null;
}
}
我没有深入分析代码,所以我只能称之为解决方法。为了使它成为真正的修复,您必须测试它的副作用并扩展它以查看空白的确切性质:除了正常空间之外,还有其他空白字符,其中一些是零宽度,一些不是-break 等。所有这些不同类型的空白都应该得到特殊处理。
PS:由于许多PDFBoxTree
成员受到保护(而不是私有),因此无需修补 Pdf2Dom 即可轻松应用第二种解决方法:
PDDocument document = PDDocument.load(SOURCE);
PDFDomTree parser = new PDFDomTree(PDFDomTreeConfig.createDefaultConfig()) {
@Override
protected void processTextPosition(TextPosition text) {
if (text.getUnicode().trim().isEmpty()) {
//finish current box (if any)
if (lastText != null)
{
finishBox();
}
//start a new box
curstyle = new BoxStyle(style);
lastText = null;
} else {
super.processTextPosition(text);
}
}
};
Writer output = new PrintWriter(TARGET, "utf-8");
parser.writeText(document, output);
output.close();
(ExtractText测试testDemoImproved
)