iText PDFSweep RegexBasedCleanupStrategy 在某些情况下不起作用

Question

我正在尝试使用 iText PDFSweep RegexBasedCleanupStrategy 从 pdf 中编辑一些单词，但是我只想编辑单词而不是出现在其他单词中，例如。我想将 "al" 编辑为单个单词，但我不想将 "al" 编辑为 "mineral"。所以我在 Regex 中添加单词 boundary("\b") 作为 RegexBasedCleanupStrategy 的参数，

  new RegexBasedCleanupStrategy("\bal\b")

然而，如果单词位于行尾，pdfAutoSweep.cleanUp 将不起作用。

Answer 1

简而言之

此问题的原因是将提取的文本块展平为单个 String 以应用正则表达式的例程不会插入任何换行符指示符。因此，在 String 中，一行的最后一个字母紧接着是下一行的第一个字母，这隐藏了单词边界。在换行的情况下，可以通过向 String 添加适当的字符来修复此行为。

有问题的代码

将提取的文本块展平为单个 String 的例程在 com.itextpdf.kernel.pdf.canvas.parser.listener 包中 CharacterRenderInfo.mapString(List<CharacterRenderInfo>)。如果只是水平间隙，此例程会插入一个 space 字符，但如果是垂直偏移，即换行符，它不会向 StringBuilder 添加任何额外内容，其中 String 表示生成：

if (chunk.sameLine(lastChunk)) {
    // we only insert a blank space if the trailing character of the previous string wasn't a space, and the leading character of the current string isn't a space
    if (chunk.getLocation().isAtWordBoundary(lastChunk.getLocation()) && !chunk.getText().startsWith(" ") && !chunk.getText().endsWith(" ")) {
        sb.append(' ');
    }
    indexMap.put(sb.length(), i);
    sb.append(chunk.getText());
} else {
    indexMap.put(sb.length(), i);
    sb.append(chunk.getText());
}

可能的修复

可以扩展上面的代码以在换行符的情况下插入换行符：

if (chunk.sameLine(lastChunk)) {
    // we only insert a blank space if the trailing character of the previous string wasn't a space, and the leading character of the current string isn't a space
    if (chunk.getLocation().isAtWordBoundary(lastChunk.getLocation()) && !chunk.getText().startsWith(" ") && !chunk.getText().endsWith(" ")) {
        sb.append(' ');
    }
    indexMap.put(sb.length(), i);
    sb.append(chunk.getText());
} else {
    sb.append('\n');
    indexMap.put(sb.length(), i);
    sb.append(chunk.getText());
}

此 CharacterRenderInfo.mapString 方法仅从 RegexBasedLocationExtractionStrategy 方法 getResultantLocations()（包 com.itextpdf.kernel.pdf.canvas.parser.listener）中调用，并且仅针对提到的任务，即应用正则表达式题。因此，使其能够正确识别单词边界应该不会破坏任何东西，但确实应该被视为一种修复。

人们可能只是考虑为换行符添加不同的字符，例如一个普通的 space ' ' 如果不想处理垂直间隙与水平间隙有任何不同。因此，对于一般修复，可以考虑将此字符设为策略的可设置属性。

版本

我使用 iText 7.1.4-SNAPSHOT 和 PDFSweep 2.0.3-SNAPSHOT 进行了测试。

iText PDFSweep RegexBasedCleanupStrategy 在某些情况下不起作用

iText PDFSweep RegexBasedCleanupStrategy not work in some case

itext

redaction

itext7

简而言之

有问题的代码

可能的修复

版本