如何避免pdfbox附加单独的单词

Question

我正在制作一个允许使用 apache Solr 在 pdf 中搜索的应用程序。我在 pdf 中找不到某些术语。

我注意到列中的单词被附加了。

例子

 Column1 | Column2
 stack   | overflow

这里的 PdftextStripper 有时会给我 stackoverflow 作为提取的文本。这会导致 solr 中的错误标记化，从而阻止您找到该术语。 （是的，我知道我可以使用通配符，但这在短语查询中不起作用）

我一直在查看来源以了解导致问题的原因。但似乎 writePage 方法必须猜测空格。我无法真正改变它，因为它看起来很复杂。

还有其他解决方案可以从带有列的 pdf 中提取良好的文本吗？

• 可能是其他程序的某种转换。
• 可能是 pdfbox 的补丁。
• 是的，我见过类似的 问题，但他们主要处理提取的顺序（其中 我的情况没那么重要）。

Answer 1

我在使用 PDFbox 提取文本时遇到了同样的问题。我通过获取每个字符的位置信息解决了这个问题。我取了每个字符的 x 位置和 y 位置。并实现了一个简单的逻辑来区分单词。在此之前，我的单词分隔符只是“”（空格）。我又加了一个逻辑，如果两个字符的 X 位置的差异超过某个值（这个值是你的选择。）并且它在同一行，那就是相同的 y 坐标（不同的 y 坐标肯定意味着新词），我把它们当作一个新词。通过这个逻辑，我能够解决表格内容、换行等问题。

link 将帮助您使用 PDFbox 从 pdf 中获取字符的位置。