Apache PDFBox删除字符之间的空格

Question

我们正在使用PDFBox从PDF中提取文本。

某些PDF文字无法正确提取。 下图显示PDF中的一部分作为图像：

文本提取后，我们得到以下文字：
 3,8 5 EU R 1 Netto 38,50 EUR 4,00
（在＆＃39;，＆＃39;和＆＃39; 8＆＃39;之间添加空格）

这是我们的代码：

            PDDocument pdf = PDDocument.load(reuseableInputStream);
            PDFTextStripper pdfStripper = new PDFTextStripper();
            pdfStripper.setSortByPosition(true);
            String text = pdfStripper.getText(pdf);

我们尝试使用PDFTextStripper属性＆＃39; AverageCharTolerance＆＃39;和＆＃39; SpacingTolerance＆＃39;没有积极的影响。

替代图书馆＆＃39; iText＆＃39;正确提取文本，字符之间没有空格。但由于许可证问题，我们无法使用它。

有什么想法吗？谢谢。

编辑：我们使用的是1.8.9版。我们还试用了快照版本2.0.0而没有效果。

Answer 1

原因

检查OP提供的文件后发现问题是由实际存在的额外空间引起的！从同一起始位置绘制了多个字符串;在每个位置，其中一个字符串中的一个具有非空格字符。因此，PDF查看器输出看起来不错，但PDFBox作为文本提取器会尝试使用找到的所有字符，包括那些额外的空格字符。

可以使用带有 F0 Courier

的内容流的PDF重现该行为

BT
/F0 9 Tf
100 500 Td
(             2                                                                  Netto        5,00 EUR 3,00) Tj
0 0 Td
(                2882892  ENERGIZE LR6 Industrial                     2,50 EUR 1) Tj
ET

在PDF查看器中，如下所示：

复制＆amp;来自Adobe Reader的粘贴结果

2 2 8 8 2 8 9 2 E N E R G I Z E L R 6 I n d u s t r i a l 2 , 5 0 E U R 1 Netto 5,00 EUR 3,00

使用PDFBox定期提取结果

             2    2 8 8 2 89 2    E N E RG  IZ  E  L R 6  I n du s t  ri  a l                      2 ,5  0  EU  R  1 Netto        5,00 EUR 3,00

因此，不仅PDFBox在这里有问题，这两个输出看起来不同，但额外的空间无论如何都是个问题。

我建议告诉那些PDF的制作人他们很难进行后期处理，即使对于像Adobe Reader这样广泛使用的软件也是如此。

解决方法

为了从中提取合理的东西，我们必须以某种方式忽略（实际存在的！）额外空间。由于没有办法临时知道以后可以使用哪些空格，哪些空间不能使用，我们只需删除所有空格并希望PDFBox在必要时添加空格：

String extractNoSpaces(PDDocument document) throws IOException
{
    PDFTextStripper stripper = new PDFTextStripper()
    {
        @Override
        protected void processTextPosition(TextPosition text)
        {
            String character = text.getCharacter();
            if (character != null && character.trim().length() != 0)
                super.processTextPosition(text);
        }
    };
    stripper.setSortByPosition(true);
    return stripper.getText(document);
}

（ExtractWithoutExtraSpaces.java）

将此方法与测试文档一起使用：

2 2882892 ENERGIZE LR6 Industrial 2,50 EUR 1 Netto 5,00 EUR 3,00

不同的文本提取器

  

替代图书馆＆＃39; iText＆＃39;正确提取文本，字符之间没有空格

这是因为iText逐字符串地提取文本字符串，而不是字符。这个程序有其自身的危险，但在这种情况下会产生更开箱即用的东西。

Answer 2

在较新版本的 PDFBox 上，解决方法不起作用。 但是您可以修复问题空间并获得相同的结果，只需像这样设置您的 PDFTextStripper：

PDFTextStripper strippet = new PDFTextStripper();
stripper.setWordSeparator("");