提取pdf时丢失了一些文本

Question

我尝试使用iText获取页面上的所有文字，但我不知道为什么每个坐标文本都会丢失最后两个字符。

PdfDocument pdfDoc = new PdfDocument(new PdfReader(@"E:\Coding\COOR.pdf"));
LocationTextExtractionStrategy strategy = new LocationTextExtractionStrategy();
PdfCanvasProcessor parser = new PdfCanvasProcessor(strategy);
parser.ProcessPageContent(pdfDoc.GetFirstPage());
Console.Write(strategy.GetResultantText());
pdfDoc.Close();

Console.WriteLine("Great!");
Console.ReadKey();

您也可以从中下载我的代码 https://1drv.ms/u/s!Al1hUSZtR4OjwU3XVBRQGneVaZlS

Answer 1

简而言之

“丢失文本”的原因是缺少“文本”不是从那里开始的！

详细

您PDF文件的内容是以误导性方式构建的。

一方面，有很多路径定义然后被描边（绘制）。这些图纸创建了您在查看器中可以看到的内容，包括文本和表格行。

另一方面，有一些文本绘图说明使用文本渲染模式3绘制文本，这是... 不可见！这些图纸使用iText创建可以在查看器中复制和粘贴的文本或提取。

不幸的是，文本绘图说明中的文本和使用路径绘制的文本完全不匹配。因此，您通过复制和粘贴或文本提取检索的文本与您的期望不同。

字形大小和位置也不完全相同

为了说明这一点，我使文本绘图说明使用了普通（填充）文本渲染模式。左上角最初看起来像这样：

这种改变看起来像这样：

正如您所看到的那样，以前看不见的文本与可见图形大致位于同一位置，并且有点破碎：度数的符号奇怪地表示为“¡”，经度分数秒和后面的符号缺少几秒钟。

要正确提取原始可见数据，您需要使用OCR而不是文本提取。