【发布时间】：2016-01-03 18:09:42
【问题描述】：
我正在为 Java 使用 iText 5.5.8。 遵循默认的、直接的文本提取程序，即
PdfTextExtractor.getTextFromPage(reader, pageNumber)
我惊讶地发现输出中有几个错误，特别是所有字母 ds 都输出为 os。
那么 iText 中的文本提取到底是如何工作的呢？是某种 OCR 吗？
我查看了引擎盖，试图了解TextExtractionStrategy 的工作原理，但我想不通。例如SimpleTextExtractionStrategy 似乎只是确定是否存在行和空格，而TextRenderInfo 通过在GraphicsState 的font 字段上调用一些decode 方法来提供文本，那就是尽我所能避免严重偏头痛。
那么谁是我的男人？我应该覆盖哪个类或者我应该调整哪个参数以便能够告诉 iText “嘿，你读错了所有 d！”
编辑：
示例 PDF 可以在 http://www.fpozzi.com/stampastopper/download/ 找到文件名是 0116_LR.pdf 抱歉，无法分享直接链接。 这是文本提取的一些基本代码
import java.io.File;
import java.io.IOException;
import com.itextpdf.text.pdf.PdfReader;
import com.itextpdf.text.pdf.parser.PdfTextExtractor;
public class Import
{
public static void importFromPdf(final File pdfFile) throws IOException
{
PdfReader reader = new PdfReader(pdfFile.getAbsolutePath());
try
{
for (int i = 1; i <= reader.getNumberOfPages(); i++)
{
System.out.println(PdfTextExtractor.getTextFromPage(reader, i));
System.out.println("----------------------------------");
}
}
catch (IOException e)
{
throw e;
}
finally
{
reader.close();
}
}
public static void main(String[] args)
{
try
{
importFromPdf(new File("0116_LR.pdf"));
}
catch (IOException e)
{
e.printStackTrace();
}
}
}
在@blagae 和@mkl 回答后编辑
在开始摆弄 iText 之前，我尝试过从 Apache PDFBox（我刚刚发现的一个类似于 iText 的项目）中提取文本，但它确实有同样的问题。
了解这些程序如何处理文本远远超出了我的奉献范围，因此我编写了一个简单的方法来从原始页面内容中提取文本，即介于 BT 和 ET 标记之间的任何内容。
import java.io.File;
import java.io.IOException;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
import com.itextpdf.text.io.RandomAccessSourceFactory;
import com.itextpdf.text.pdf.PdfReader;
import com.itextpdf.text.pdf.RandomAccessFileOrArray;
import com.itextpdf.text.pdf.parser.ContentByteUtils;
import com.itextpdf.text.pdf.parser.PdfTextExtractor;
public class Import
{
private final static Pattern actualWordPattern = Pattern.compile("\\((.*?)\\)");
public static void importFromPdf(final File pdfFile) throws IOException
{
PdfReader reader = new PdfReader(pdfFile.getAbsolutePath());
Matcher matcher;
String line, extractedText;
boolean anyMatchFound;
try
{
for (int i = 1; i <= 16; i++)
{
byte[] contentBytes = ContentByteUtils.getContentBytesForPage(reader, i);
RandomAccessFileOrArray raf = new RandomAccessFileOrArray(new RandomAccessSourceFactory().createSource(contentBytes));
while ((line = raf.readLine()) != null && !line.equals("BT"));
extractedText = "";
while ((line = raf.readLine()) != null && !line.equals("ET"))
{
anyMatchFound = false;
matcher = actualWordPattern.matcher(line);
while (matcher.find())
{
anyMatchFound = true;
extractedText += matcher.group(1);
}
if (anyMatchFound)
extractedText += "\n";
}
System.out.println(extractedText);
System.out.println("+++++++++++++++++++++++++++");
String properlyExtractedText = PdfTextExtractor.getTextFromPage(reader, i);
System.out.println(properlyExtractedText);
System.out.println("---------------------------");
}
}
catch (IOException e)
{
throw e;
}
finally
{
reader.close();
}
}
public static void main(String[] args)
{
try
{
importFromPdf(new File("0116_LR.pdf"));
}
catch (IOException e)
{
e.printStackTrace();
}
}
}
看来，至少在我的情况下，字符是正确的。但是单词甚至字母的顺序很乱，实际上超级乱，所以这种方法也无法使用。
真正让我吃惊的是，到目前为止，我尝试从 PDF 中检索文本的所有方法，包括从 Adobe Reader 复制/粘贴，都搞砸了。
我得出的结论是，获得一些体面的文本提取的最可靠方法也可能是最出乎意料的：一些好的 OCR。 我现在正在尝试： 1) 将 pdf 转换为图像（PDFBox 非常擅长这样做 - 甚至不用费心尝试 pdf-renderer） 2）OCR该图像 我会在几天后发布我的结果。
【问题讨论】：
-
请分享有问题的 PDF。错误很可能已经在其中，尽管被隐藏了。
-
当我点击你的 PDF 链接时，我得到一个 403 状态码。
-
感谢 mkl，添加了 PDF 链接（抱歉，它是意大利语）
-
@brian 对不起，brian，你应该附加文件名 0116_LR.pdf（不希望文件被搜索引擎看到）
-
@HenryChinaski 真正让我吃惊的是，到目前为止，我尝试从 PDF 中检索文本的所有方法，包括从 Adobe Reader 复制/粘贴，都搞砸了 - 原因是您的 PDF 故意试图误导文本提取器。因此，遵循最佳做法将导致错误。
标签： itext text-extraction