有没有办法改变订单/方式Acrobat选择PDF文本？

Question

我有一个visual basic程序，它从PDF中提取文本并将文本导入excel。它依赖于像人一样阅读文本，在页面上从左到右阅读。但是，在这个特定的PDF上有一些实例，如果我用鼠标选择文本，我点击并直接拖动，但Adobe开始选择/突出显示上下行的单词，然后继续在整个页面突出显示。这给了我不想要/不需要的数据。该页面具有可渲染文本，而不是来自扫描文档。

有没有办法重置＆＃34; Adobe如何解释PDF上的文字？由于左侧的信息与右侧的信息相差甚远，因此它几乎就像单独的列一样对待它们。

我尝试以不同的格式保存PDF，例如txt或postscript，并将其提取到另一个PDF，但它们似乎都会产生相同的结果。这对我来说很奇怪，因为我有其他类似的PDF文件，这不是一个问题。

非常感谢任何帮助或想法，谢谢。

Answer 1

PDF（基本形式）实质上是指在画布上放置字符串，“句子”或“阅读顺序”的概念不是内置的。

为了提取文本，您必须读出该文本的边界框，然后使用一些逻辑和启发式方法根据边界框的坐标来组合文本。

如果PDF是结构化PDF，其中文本内容作为文本嵌入文档中，事情会变得更容易。这也是可访问文档的主要要求。因此，如果您的文档可以访问，您可以依靠结构来获得正确的阅读顺序。