保持“长” PDFBox 文本提取中的空格

Question

我正在使用 PDFBox 从 PDF 中提取文本。 PDF有一个表格结构，非常简单，列之间的间隔也很宽，

这非常有效，除了所有类型的水平空间都会转换为单个空格字符，这样我就无法再区分列了（列中单词内的空间看起来就像列之间的空间）。

我知道通用的解决方案非常困难，但在这种情况下，列确实相距很远，因此在“长空格”和“单词之间的空格”之间进行简单区分就足够了。

有没有办法告诉 PDFBox 将超过 x 英寸的水平空白转换为除单个空格之外的其他内容？比例方法（x 英寸变成 y 空间）也可以。

pdftotext C 库/工具 有一个“-layout”开关，尝试保留布局。基本上，如果我可以用 PDFBox 来模拟​​，那就完美了。

Answer 1

似乎没有这方面的设置，但我能够修改 PDFTextStripper 工具，用于在遇到“长”空格时输出列分隔符 (|)。在构建输出行的代码中，可以查看当前字母和前一个字母的 x 位置，如果它足够大，则执行一些特殊操作。 PDFTextStripper 有很多受保护的方法，但结果并不是那么可扩展。我最终不得不复制整个类来更改私有方法。

看看其中的代码，我觉得自己很幸运，对于特定的 PDF，这种简单的方法是成功的。更通用的解决方案似乎非常棘手。

Answer 2

PDF 文本提取很困难。

如果文本输出为一个由空格分隔的大字符串，例如 :-

PDFTextOut("     Column 1                    Column 2           Column 3");

并且您使用的是固定宽度字体（例如 Courier），那么理论上您可以计算文本项之间的空格数，因为每个字符的宽度相同。如果字体是等比例的，例如 Arial，那么计算会更困难。

实际上，大多数 PDF 都是通过将每段文本直接单独放置到其位置来生成的。因此，从技术上讲，列之间不存在空格字符或任何其他字符。文本只是放置在页面上的绝对位置。

PDFMoveTo(100,100);
PDFTextOut("Column 1");
PDFMoveTo(250,100);
PDFTextOut("Column 2");

为了在 PDF 文档上执行数据提取，您必须做更多的工作来查找和匹配列数据，方法是使用您提到的像素位置，并做出一些假设并有一点运气。