Apache PDFBox 删除字符之间的空格

Question

我们正在使用 PDFBox 从 PDF 中提取文本。

部分PDF文本无法正确提取。下图显示了 PDF 中的一部分作为图像：

文本提取后我们得到以下文本：
3, 8 5 EU R 1 内托 38,50 4,00 欧元
（'，'和'8'之间添加空格）

这是我们的代码：

            PDDocument pdf = PDDocument.load(reuseableInputStream);
            PDFTextStripper pdfStripper = new PDFTextStripper();
            pdfStripper.setSortByPosition(true);
            String text = pdfStripper.getText(pdf);

我们尝试使用 PDFTextStripper 属性 'AverageCharTolerance' 和 'SpacingTolerance'，但没有任何积极效果。

替代库 'iText' 正确提取文本，字符之间没有空格。但是因为license的问题不能使用

有什么想法吗？谢谢。

编辑： 我们使用的是 1.8.9 版。我们也尝试了快照版本 2.0.0 没有效果。

Answer 1

原因

检查 OP 提供的文件后发现问题是由 额外的 space 实际存在 引起的！从同一个起始位置抽取的字符串有多个；在每个位置，这些字符串中最多有一个具有非 space 字符。因此，PDF 查看器输出看起来不错，但作为文本提取器的 PDFBox 会尝试使用找到的所有字符，包括那些额外的 space 个字符。

可以使用具有此内容流的 PDF 重现该行为，F0 为 Courier:

BT
/F0 9 Tf
100 500 Td
(             2                                                                  Netto        5,00 EUR 3,00) Tj
0 0 Td
(                2882892  ENERGIZE LR6 Industrial                     2,50 EUR 1) Tj
ET

在 PDF 查看器中，它看起来像这样：

从 Adobe 复制和粘贴 Reader 结果

2 2 8 8 2 8 9 2 E N E R G I Z E L R 6 I n d u s t r i a l 2 , 5 0 E U R 1 Netto 5,00 EUR 3,00

使用 PDFBox 进行常规提取会导致

             2    2 8 8 2 89 2    E N E RG  IZ  E  L R 6  I n du s t  ri  a l                      2 ,5  0  EU  R  1 Netto        5,00 EUR 3,00

因此，不仅 PDFBox 在这里有问题，这两个输出看起来不同，而且额外的 space 无论如何都是问题。

我建议告诉这些 PDF 的制作者它们很难 post 处理，即使是像 Adobe Reader.

这样广泛使用的软件也是如此

解决方法

为了从中提取一些有意义的东西，我们必须以某种方式忽略（实际存在！）额外的 spaces。由于无法临时知道哪些 spaces 可以稍后使用，哪些不能，我们只是删除所有并希望 PDFBox 在必要时添加 spaces：

String extractNoSpaces(PDDocument document) throws IOException
{
    PDFTextStripper stripper = new PDFTextStripper()
    {
        @Override
        protected void processTextPosition(TextPosition text)
        {
            String character = text.getCharacter();
            if (character != null && character.trim().length() != 0)
                super.processTextPosition(text);
        }
    };
    stripper.setSortByPosition(true);
    return stripper.getText(document);
}

(ExtractWithoutExtraSpaces.java)

将此方法与测试文档一起使用我们得到：

2 2882892 ENERGIZE LR6 Industrial 2,50 EUR 1 Netto 5,00 EUR 3,00

不同的文本提取器

The alternative libary 'iText' extract the text correctly without spaces between the characters

这是因为 iText 是逐个字符串而不是逐个字符地提取文本。此过程有其自身的风险，但在这种情况下会产生一些开箱即用的东西。

Answer 2

在较新版本的 PDFBox 上，解决方法不起作用。但是您可以解决问题 space 并获得相同的结果，只需像这样设置 PDFTextStripper：

PDFTextStripper strippet = new PDFTextStripper();
stripper.setWordSeparator("");

Apache PDFBox 删除字符之间的空格

Apache PDFBox Remove Spaces between characters

pdfbox

text-extraction

pdf-parsing

原因

解决方法

不同的文本提取器