使用PDFBox 2.x从PDF提取文本时合并行的问题

Question

我在使用PDFTextStripper中的PDFBox 2.0.13从PDF提取文本时遇到问题。更具体地说-彼此太近的线合并在一起。例如：

第一行上显示文本“ signfieldbig ”，第二行包含下划线，但PDFTextStripper将其解析为“ s_i_g_n_fi_e_ld_b_ig_ _______ ”（合并这两行合为一体）。我尝试了多种设置（不同的lineSeparator，阈值等），但没有任何帮助。这两行每次都合并，我不能简单地从文本中删除所有不必要的字符，因为我正在寻找此占位符的位置以创建签名字段。

更新：我刚刚意识到了导致此问题的原因-在原始文件中，不是两行被行分隔符分隔的正常行，而是一行带有下划线，并在其上方手动放置了带有文本“ placeholder ”的文本区域。但是，PDF查看器（以文本形式查看）或其他PDF库（iText 2.x）仍将其解析为两行...

Answer 1

有多种不同的文本提取策略，一种是要么在文本块出现时就对其进行处理，然后仅添加新行，或者在下一个新块的坐标不紧接上一个块时添加类似内容，或者可以收集所有块，按坐标对它们进行排序，然后从这些已排序的块中提取文本。

（显然，两种策略类型都可以与某种程度的文本布局分析结合使用。）

在您的情况下，排序是活动的，导致下划线和上面的文本作为“ s_i_g_n_fi_e_ld_b_ig_ _______”连接在一起。

您可以使用setSortByPosition(false)在pdfbox文本剥离器中禁用排序。

---

没有通用的最佳方法，这取决于所讨论的文档可能更好。