解析PDF去除月份

Question

我正在通过拆分行然后搜索来解析具有一些日期的 pdf。以下是示例行：

Posted Date: 02/11/2015
Effective Date: 02/05/2015

当我找到 Posted Date 时，我在 : 上拆分并拉出 02/11/2015。但是当我对 effective date 做同样的事情时，它只会 returns /05/2015。当我写下所有行时，它将该日期显示为 /05/2015，而 PDF 具有 02。 02 会因为某种原因转换为 nil 吗？我错过了什么吗？

lines = reader.pages[0].text.split(/\r?\n/)
lines.each_with_index do |line, index|
  values_to_insert = []
  if line.include? "Legal Name:"
    name_line = line.split(":")
    values_to_insert.push(name_line[1])
  end
  if line.include? "Active/Pending Insurance"
    topLine = lines[index+2].split(" ")
    middleLine = lines[index+5].split(" ")
    insuranceLine = lines[index + 7]
    insurance_line_split = insuranceLine.split(" ")
    insurance_line_split.each_with_index do |word, i|
      if word.include? "Insurance"
        values_to_insert.push(insuranceLine.split(":")[1])
      end
    end
    topLine.each_with_index do |word, i|
      if word.include? "Posted"
        values_to_insert.push(topLine[i + 2])
      end
    end
    middleLine.each_with_index do |word, i|
      if word.include? "Effective" or word.include? "Cancellation"
        #puts middleLine[0]
        puts middleLine[1]
        #puts middleLine[i + 1].split(":")[1]
      end
    end
  end
end

这是我打印所有行时发生的情况：

Active/Pending Insurance:

   Form:  91X               Type: BIPD/Primary                Posted Date: 02/11
/2015

   Policy/Surety Number:A 3491819            Coverage From:                [=12=]
To:       ,000,000
   Effective Date:/05/2015                 Cancellation Date:

  Insurance Carrier: PROGRESSIVE EXPRESS INSURANCE COMPANY

         Attn: CUSTOMER SERVICE
     Address:  P. O. BOX 94739
               CLEVELAND, OH 44101 US

    Telephone: (800) 444 - 4487   Fax: (440) 603 - 4555

编辑以显示代码甚至添加图片。我按行拆分，然后再按冒号拆分，有时按空格拆分。它不是非常干净，但我认为没有更好的方法。

Answer 1

问题发生在多段文本在同一行但不使用完全相同基线的位置。如果是手头的 PDF，

（至少）保单编号和生效日期的位置略高于各自的标签。

原因在于 OP 使用的 pdf-reader library 将页面上绘制的文本片段组合在一起的方式：

确定排列字母的列数和行数
创建一个由行数为 space 的列数填充的字符串组成的数组。
然后它会在完全相同的基线上合并 PDF 中的连续文本片段，并且
最终将这些组合的文本片段放入字符串数组中，从与它们在 PDF 中的起始位置最匹配的位置开始。

由于 PDF 中使用的字体通常不是单声道spaced，此过程可能会导致字符串重叠，即擦除两者之一。在同一基线上合并字符串的步骤在这种情况下可防止擦除，但对于略微不同的基线上的字符串，这种重叠效果仍然会发生。

可以做的是增加此处使用的列数。

page_layout.rb 中的库定义了

def col_count
  @col_count ||= ((@page_width  / @mean_glyph_width) * 1.05).floor
end

如您所见，已经使用了一些幻数 1.05 来稍微增加列数。通过更多地增加这个数字，OP 观察到的擦除不会再发生。但是，不应将因子增加太多，因为这会引入不需要的 space 字符，而 none 属于该字符。

OP 报告说，将幻数增加到 1.10 就足够了。

解析PDF去除月份

Parsing PDF removing month

ruby

pdf

pdf-reader