Question

我正在使用tika从包含大量表格的pdf文件中提取文本。

java -jar tika-app-0.9.jar -t https://s3.amazonaws.com/centraldoc/alg1.pdf

它返回一些无效的文本，有时它修剪2个单词之间的空格;例如它返回 “qu inakli fmyathematical ideas to the real world”而不是“将数学思想与现实世界联系起来”。

有没有办法将这种错误降至最低？或者我可以使用另一个图书馆吗？使用OCR处理这些pdf是否有意义。

Answer 1

要使PDF中的文本以正确的顺序显示，我必须将SortByPosition标志设置为true ...（tika-app-1.19.jar）

<main>
    <img class="portfolio-single-image image1 active-image" src="X" alt="">
    <img class="portfolio-single-image image2" src="https://via.placeholder.com/350x150" alt="">
    <img class="portfolio-single-image image3" src="https://via.placeholder.com/350x150" alt="">
    <img class="portfolio-single-image image4" src="https://via.placeholder.com/350x150" alt="">
</main>

Answer 2

尝试在使用PDFBox解析器时控制顺序：PDFTextStripper有一个标志，用于控制文档中的行顺序。默认情况下（在PDFBox中）出于性能原因（未保留订单）将其设置为false，但Tika在打开和关闭此标志的版本之间更改了其行为。

我的博客Extracting text from PDF files with Apache Tika 0.9 (and PDFBox under the hood)中有关此问题的详细信息。

tika为许多表格的pdf返回了错误的文本行

2 个答案: