iText：使用 LocationTextExtractionStrategy 从 pdf 文件中提取的文本顺序错误

Question

我正在使用 iText 从特定位置的 pdf 文件中提取一些文本。为此，我使用 LocationTextExtractionStrategy:

public static void main(String[] args) throws Exception {

    PdfReader pdfReader = new PdfReader("location_text_extraction_test.pdf");

    Rectangle rectangle = new Rectangle(38, 0, 516, 516);

    RenderFilter[] filter = {new RegionTextRenderFilter(rectangle)};
    TextExtractionStrategy strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), filter);
    String text = PdfTextExtractor.getTextFromPage(pdfReader, 1, strategy);

    System.out.println(text);

    pdfReader.close();
}

Link to pdf file

问题是提取的文本顺序错误：

应提取的内容为：

Part Description Quantity Unit Price Total For Line Extended Price
Landing Fee 1.00 407.84 $ USD 407.84 407.84 $

提取为：

Total For Line Extended Price
Part Description Quantity Unit Price
1.00 407.84 $ USD 407.84 407.84 $
Landing Fee

请注意，当我在 Acrobat 中打开 pdf 时，select 使用 Ctrl+A 复制所有文本，然后将其粘贴到文本编辑器中，所有内容都按正确的顺序排列。

有办法解决这个问题吗？非常感谢 ;)

Answer 1

原因很简单，"Total For Line Extended Price" 位于 y 坐标 507.37 而 "Part Description Quantity Unit Price" 位于 y 坐标 506.42.

LocationTextExtractionStrategy 允许通过仅考虑 y 坐标的整数部分进行小的变化，但此处的整数部分也不同。因此，它假定前一个标题位于后一个标题之上的一行上，并相应地输出其结果。

如果出现此类变化，通常首先尝试 SimpleTextExtractionStrategy。不幸的是，这在这里没有帮助，因为前一个文本实际上是在后一个文本之前绘制的。因此，此策略还 returns 标题顺序错误。

在这种情况下，您需要一种不同的策略，例如策略 HorizontalTextExtractionStrategy or HorizontalTextExtractionStrategy2 (depending on your iText version, the former one up to iText 5.5.8, the latter one for the current development code 5.5.9-SNAPSHOT) from this answer。使用它你会得到

Part Description Quantity Unit Price Total For Line Extended Price
Landing Fee 1.00 407.84 $ USD 407.84 407.84 $
Parking 1.00 101.96$ USD 101.96 101.96$
??? 1.00 51.65$ USD 51.65 51.65$
Pax Baggage Handling Fee 5.00 8.49$ USD 42.45 42.45 $
Pax Airport Tax 5.00 26.36 $ USD 131.80 131.80$
GA terminal for crew on Arr ferry fit 1.00 125.00$ USD 125.00 125.00$
VIP lounge for Pax on Dep. 5.00 124.00$ USD 620.00 620.00 $
GA terminal for crew on dep. 1.00 125.00$ USD 125.00 125.00$
VIP lounge for Guest on Dep. 1.00 38.00$ USD 38.00 38.00 $
Crew transfer on arr 1.00 70.00 $ USD 70.00 70.00 $
Crew transfer on dep 1.00 70.00 $ USD 70.00 70.00 $
Lavatory Service 1.00 75.00 $ USD 75.00 75.00 $
Catering-ISS 1.00 1,324.28 $ USD 1,324.28 1,324.28 $
Ground Handling 1.00 190.00$ USD 190.00 190.00$
Pax Handling 1.00 190.00$ USD 190.00 190.00$
Push Back 1.00 83.00 $ USD 83.00 83.00 $
Towing 1.00 110.00$ USD 110.00 110.00$

（使用TextExtraction测试方法testLocation_text_extraction_test的结果）

不幸的是，如果不同的 side-by-side 列中有重叠线，这些策略就会失败，例如在您的文件中，发票收件人地址及其右侧的信息。

您可以尝试调整水平策略（例如，通过同时分析分隔列的水平间隙）或尝试组合方法，对同一文档使用多种策略的输出。

iText：使用 LocationTextExtractionStrategy 从 pdf 文件中提取的文本顺序错误

iText: Extracted text from pdf file using LocationTextExtractionStrategy is in wrong order

pdf

itext

text-extraction