5

我正在使用 ABCpdf 来提取一些 PDF 文件的文本内容，特别是通过调用 Doc.GetText("Text")。（您在循环中调用它，每页一次。）这通常效果很好，但对于某些 PDF 文件，生成的文本由缺少空格字符的文本组成，例如

这句话的单词之间没有任何空格。

有趣的是，如果我尝试使用 Apache Tika（由 PDFBox 提供支持）从完全相同的 PDF 中提取文本，我往往会得到所有单词之间的空格。也就是说，上面的句子将由 Tika 呈现为

这句话的单词之间没有任何空格。

总体而言，这两个工具的行为就像他们害怕犯不同的错误一样——ABCpdf 的行为就像世界上最糟糕的事情是在一个不属于的地方插入一个空格，而 Tika 的行为就像世界上最糟糕的事情一样是没有插入一个真正属于的空间。

是否有任何设置可以使 ABCpdf 在这方面更像 Tika？

4

2 回答 2

4

简短回答：您可以通过 获取单个文本标记Doc.GetText("SVG")，解析 XMLTEXT和TSPAN元素，并确定是否存在应视为实际空间的布局间距。您从 PDFBox 看到的行为可能是他们试图做出这种假设。此外，即使是 Adob​​e Acrobat 也可以像 PDFBox 一样通过剪贴板返回间隔文本。

长答案：这可能会导致更多问题，因为这可能不是 PDF 中文本的原始意图。

ABCpdf 在这里做的是正确的事情，因为 PDF 规范只描述了应该在输出介质中放置东西的位置。可以构建一个 ABCpdf 以两种样式解释的 PDF 文件，即使原始句子看起来几乎相同。

为了证明这一点，下面是来自 Adob​​e InDesign 的文档的快照，它显示了与示例句子的两种情况相匹配的文本布局。

来自 Adob​​e InDesign 的带有布局空间与文本空间的特殊构造 PDF 的快照

请注意，第一行不是用实际空格构成的，而是将单词手动放置在单独的文本区域中，并排列成近似于适当间隔的句子。第二行有一个句子，在单个文本区域中，单词之间有实际的文本空间。

当导出为 PDF 并通过 ABCpdf 读取时，Doc.GetText("TEXT")将返回以下内容：

ThisSentenceDoesn'tHaveAnySpacesBetweenWords.  
This Sentence Doesn't Have Any Spaces Between Words.

因此，如果您希望检测布局空间，则必须使用 SVG 输出并手动逐步检查文本标记。Doc.GetText("SVG")返回文本和其他绘图实体，因为 ABCpdf 在页面上看到它们，您可以决定如何处理基于布局的间距的情况。

您将收到与此类似的输出：

<?xml version="1.0" standalone="no"?>
<svg width="612" height="792" x="0" y="0" version="1.1" baseProfile="full" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
<text xml:space="preserve" x="36" y="46.1924" font-size="14" font-family="ArialMT" textLength="26.446" transform="translate(36, 46.1924) translate(-36, -46.1924)">This</text>
<text xml:space="preserve" x="66.002" y="46.1924" font-size="14" font-family="ArialMT" textLength="59.15" transform="translate(66.002, 46.1924) translate(-66.002, -46.1924)">Sentence</text>
<text xml:space="preserve" x="129.604" y="46.1924" font-size="14" font-family="ArialMT" textLength="47.46" transform="translate(129.604, 46.1924) translate(-129.604, -46.1924)">Doesn&#8217;t</text>
<text xml:space="preserve" x="181.208" y="46.1924" font-size="14" font-family="ArialMT" textLength="32.676" transform="translate(181.208, 46.1924) translate(-181.208, -46.1924)">Have</text>
<text xml:space="preserve" x="219.61" y="46.1924" font-size="14" font-family="ArialMT" textLength="24.122" transform="translate(219.61, 46.1924) translate(-219.61, -46.1924)">Any</text>
<text xml:space="preserve" x="249.612" y="46.1924" font-size="14" font-family="ArialMT" textLength="46.69" transform="translate(249.612, 46.1924) translate(-249.612, -46.1924)">Spaces</text>
<text xml:space="preserve" x="301.216" y="46.1924" font-size="14" font-family="ArialMT" textLength="54.474" transform="translate(301.216, 46.1924) translate(-301.216, -46.1924)">Between</text>
<text xml:space="preserve" x="360.016" y="46.1924" font-size="14" font-family="ArialMT" transform="translate(360.016, 46.1924) translate(-360.016, -46.1924)"><tspan textLength="13.216">W</tspan><tspan dx="-0.252" textLength="31.122">ords.</tspan></text>
<text xml:space="preserve" x="36.014" y="141.9944" font-size="14" font-family="ArialMT" transform="translate(36.014, 141.9944) translate(-36.014, -141.9944)">
<tspan textLength="181.3">This Sentence Doesn&#8217;t Have </tspan><tspan dx="-0.756" textLength="150.178">Any Spaces Between W</tspan><tspan dx="-0.252" textLength="31.122">ords.</tspan></text>
</svg>

请注意，基本结构揭示了给您带来问题的初衷。（xml:space 和属性被删除，空白修改为示例）

<?xml version="1.0" standalone="no"?>
<svg>
  <text>This</text>
  <text>Sentence</text>
  <text>Doesn&#8217;t</text>
  <text>Have</text>
  <text>Any</text>
  <text>Spaces</text>
  <text>Between</text>
  <text><tspan>W</tspan><tspan>ords.</tspan></text>
  <text>
    <tspan>This Sentence Doesn&#8217;t Have </tspan>
    <tspan>Any Spaces Between W</tspan>
    <tspan>ords.</tspan>
  </text>
</svg>
于 2011-11-03T23:43:19.763 回答
0

这个问题和答案基于 ABCpdf 的旧版本。

ABCpdf 第 9 版将自动为您完成所有这些工作。

我在 ABCpdf .NET 软件组件上工作，因此我的回复可能包含基于 ABCpdf 的概念。这只是我所知道的。:-)

于 2013-06-03T11:15:55.287 回答