Question

我正在尝试使用iTextSharp库将PDF中的文本读入字符串。

iTextSharp.text.pdf.PdfReader pdfReader = new iTextSharp.text.pdf.PdfReader(@"C:\mypdf.pdf");
ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
string currentText = PdfTextExtractor.GetTextFromPage(pdfReader, 1, strategy);
text = Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(currentText))); 
pdfReader.Close();
Console.WriteLine(text);

这通常可以正常工作，但是每隔几行就会省略空格，这样我的输出就像：“thisismyoutputwithoutwhitespace”。正确解析的文本似乎与没有正确解析的文本相同;相同的文本将被不正确地解析，这使我认为它是PDF中的内容。

Answer 1

在PDF的内容流中，没有“单词”的概念。因此，在iText（夏普）的文本提取实现中，有一些启发式方法可以确定如何将字符分组为单词。当2个字符之间的距离大于当前字体中空格宽度的一半时，将插入空格。

最有可能的是，没有空格提取的文本之间的距离小于“spacewidth / 2”。

在SimpleTextExtractionStrategy.RenderText()：

if (spacing > renderInfo.GetSingleSpaceWidth()/2f){
    AppendTextChunk(' ');
}

您可以展开SimpleTextExtractionStrategy并调整RenderText()。

在LocationTextExtractionStrategy中，它更方便。您只需覆盖IsChunkAtWordBoundary()：

protected bool IsChunkAtWordBoundary(TextChunk chunk, TextChunk previousChunk) {
    float dist = chunk.DistanceFromEndOf(previousChunk);
    if(dist < -chunk.CharSpaceWidth || dist > chunk.CharSpaceWidth / 2.0f)
        return true;

     return false;
}

您需要进行一些实验才能获得PDF效果。在你的情况下，“spacewidth / 2”显然太大了。但是如果你将它调整得太小，你就会得到误报：空格将被插入到单词中。

在.NET中从PDF中读取文本

1 个答案: