iText：使用LocationTextExtractionStrategy从pdf文件中提取的文本顺序错误

Question

我正在使用iText从特定位置的pdf文件中提取一些文本。 为了做到这一点，我使用的是LocationTextExtractionStrategy：

public static void main(String[] args) throws Exception {

    PdfReader pdfReader = new PdfReader("location_text_extraction_test.pdf");

    Rectangle rectangle = new Rectangle(38, 0, 516, 516);

    RenderFilter[] filter = {new RegionTextRenderFilter(rectangle)};
    TextExtractionStrategy strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), filter);
    String text = PdfTextExtractor.getTextFromPage(pdfReader, 1, strategy);

    System.out.println(text);

    pdfReader.close();
}

Link to pdf file

问题是提取的文本顺序错误：

应该提取的内容为：

Part Description Quantity Unit Price Total For Line Extended Price
Landing Fee 1.00 407.84 $ USD 407.84 407.84 $

提取为：

Total For Line Extended Price
Part Description Quantity Unit Price
1.00 407.84 $ USD 407.84 407.84 $
Landing Fee

请注意，当我在Acrobat中打开pdf时，使用Ctrl + A选择所有文本，复制然后将其粘贴到文本编辑器中，所有内容都按正确顺序排列。

有没有办法解决问题？ 非常感谢;）

Answer 1

原因很简单就是＆＃34; Total For Line Extended Price＆＃34;是 y 坐标为507.37而＆＃34;部分描述数量单位价格＆＃34;位于 y 坐标506.42。

LocationTextExtractionStrategy仅通过考虑y坐标的整数部分来允许小变化，但即使是整数部分也不同。因此，它假定前面的标题在后面的标题之上，并相应地输出结果。

如果出现此类变化，通常首先尝试SimpleTextExtractionStrategy。不幸的是，这在这里没有用，因为前一个文本实际上是在后一个文本之前绘制的。因此，这种策略也会以错误的顺序返回标题。

在这种情况下，您需要一种不同的策略，例如：来自HorizontalTextExtractionStrategy的策略HorizontalTextExtractionStrategy2或this answer（取决于您的iText版本，前者为iText 5.5.8，后者为当前开发代码5.5.9-SNAPSHOT） 。使用它你会得到

Part Description Quantity Unit Price Total For Line Extended Price
Landing Fee 1.00 407.84 $ USD 407.84 407.84 $
Parking 1.00 101.96$ USD 101.96 101.96$
??? 1.00 51.65$ USD 51.65 51.65$
Pax Baggage Handling Fee 5.00 8.49$ USD 42.45 42.45 $
Pax Airport Tax 5.00 26.36 $ USD 131.80 131.80$
GA terminal for crew on Arr ferry fit 1.00 125.00$ USD 125.00 125.00$
VIP lounge for Pax on Dep. 5.00 124.00$ USD 620.00 620.00 $
GA terminal for crew on dep. 1.00 125.00$ USD 125.00 125.00$
VIP lounge for Guest on Dep. 1.00 38.00$ USD 38.00 38.00 $
Crew transfer on arr 1.00 70.00 $ USD 70.00 70.00 $
Crew transfer on dep 1.00 70.00 $ USD 70.00 70.00 $
Lavatory Service 1.00 75.00 $ USD 75.00 75.00 $
Catering-ISS 1.00 1,324.28 $ USD 1,324.28 1,324.28 $
Ground Handling 1.00 190.00$ USD 190.00 190.00$
Pax Handling 1.00 190.00$ USD 190.00 190.00$
Push Back 1.00 83.00 $ USD 83.00 83.00 $
Towing 1.00 110.00$ USD 110.00 110.00$

（使用TextExtraction测试方法的结果testLocation_text_extraction_test）

但不幸的是，如果在不同的并排列中存在重叠的行，则这些策略会失败，例如，在您的文档中，发票收件人地址和右侧的信息。

您可以尝试调整水平策略（例如，通过分析列分隔的水平间隙）或尝试使用组合方法，使用同一文档的多个策略的输出。