保留PDFBox文本提取中的“长”空格

Question

我正在使用PDFBox从PDF中提取文本。 PDF具有表格结构，非常简单，列也彼此间隔很大

这很有效，除了所有类型的水平空间都被转换为单个空格字符，因此我不能再将列分开（列中单词内的空间看起来就像列之间的空间）。

我很欣赏一般的解决方案非常困难，但在这种情况下，列非常分开，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单个空格以外的其他内容？比例方法（x英寸成为y空格）也可以。

pdftotext C library/tool有一个'-layout'开关，试图保留布局。基本上，如果我可以用PDFBox模仿，那将是完美的。

Answer 1

似乎没有这样的设置，但我能够修改PDFTextStripper工具的源，以便在遇到“长”空格时输出列分隔符（|）。在构建输出行的代码中，可以查看当前和前一个字母的x位置，如果它足够大，可以执行一些特殊操作。 PDFTextStripper有很多受保护的方法，但事实证明并不是那么可扩展。我最终不得不复制整个班级以改变私人方法。

看看那里的代码，我称自己很幸运，通过特定的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");

并且您正在使用固定宽度字体（如Courier），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。如果字体与Arial成比例，那么计算就更难了。

实际上，大多数PDF都是通过将每段文本单独放置到其位置而生成的。因此，在列之间技术上没有空格字符或任何其他字符。文本只是放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，您需要做更多的工作来查找和匹配列数据，方法是使用像您提到的像素位置，并做一些假设并稍微运气一下。