Perl CAM :: PDF分词不正确

Question

我正在使用CAM :: PDF Perl模块来解析PDF。除了一个问题，该模块工作得很好，似乎随机分割单词。有没有办法通过设置或一些算法的方法来解决这个问题？

例如：

“在New Yor k和都柏林设有办事处。”     -Notice纽约

“价格竞争”      - 价格竞赛

代码部分如下：

    $pdf = CAM::PDF->new($pdf_name);    
    $text = $pdf->getPageText($page);
    print("$text\n");

Answer 1

通常，并不总是可以从PDF重建原始文本。物理结构通常与输出不匹配。

在这种情况下，您很可能会受到手动字距调整的影响。即拆分字符对并调整间距以产生更令人满意的结果 - 请参阅http://en.wikipedia.org/wiki/Kerning。

因此在单词中输入并输出较小的块，CAM::PDF将其识别为单独的单词。

如果您对PDF制作有一定的控制权，可以尝试使用字体和字距调整设置 - 但这也可能会影响输出质量。

PDF::OCR2可能会更有力地处理字距调整，并且可能会更好地识别原始文本。