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。

某些 PDF 的文本无法正确提取。 下图将 PDF 中的一部分显示为图像：

文本提取后，我们得到以下文本：
3, 8 5 EU R 1 Netto 38,50 EUR 4,00
（',' 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”，但没有任何积极影响。

替代库“iText”正确提取文本，字符之间没有空格。但由于许可证问题，我们不能使用它。

有什么想法吗？谢谢。

编辑：我们使用的是 1.8.9 版。我们还尝试了快照版本 2.0.0，但没有任何效果。

Answer 1

在较新版本的 PDFBox 上，该解决方法不起作用。 但是您可以修复问题空间并获得相同的结果，只需像这样设置您的 PDFTextStripper：

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

Answer 2

原因

检查 OP 提供的文件，发现问题是由 实际存在的额外空格引起的！从同一个起始位置抽取多个字符串；在每个位置，这些字符串中最多有一个具有非空格字符。因此，PDF 查看器的输出看起来不错，但作为文本提取器的 PDFBox 会尝试利用找到的所有字符，包括那些额外的空格字符。

可以使用带有 F0 为 Courier 的内容流的 PDF 重现该行为：

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 查看器中如下所示：

从 Adob​​e Reader 复制和粘贴结果

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 有问题，这两个输出看起来不同，但额外的空格都是问题。

我建议告诉这些 PDF 的制作者，它们很难进行后期处理，即使对于 Adob​​e Reader 等广泛使用的软件也是如此。

一种解决方法

要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！）额外的空格。由于无法临时知道哪些空格可以稍后使用，哪些不可以，我们只需删除所有空格并希望 PDFBox 在必要时添加空格：

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)

将此方法与我们得到的测试文档一起使用：

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

不同的文本提取器

替代库“iText”正确提取文本，字符之间没有空格

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