从 PDF 列中提取文本，列的大小和位置不同

Question

如何从按列分隔的 PDF 文件中提取文本，以使结果由这些列分隔？

这些列可以有不同的高度，并且有时可以跨越多个页面。

下面是示例 PDF 的图片。这就是我需要阅读文本的方式。

两条黑线之间的每个部分都是一个组。 在每一组中， 第一列可以跨越多行 第二列和第三列在每一行都是相关的。

我尝试了以下链接提出的解决方案。 extract PDF text by columns 但运气不好。

任何帮助将不胜感激。

pdf 可在以下链接中找到。 Sample PDF

Answer 1

您的问题没有提到您选择的 PDF 库。您的标签提供了itext、pdfbox 和pdftotext 的选择。我在这里为 Java 选择了 iText 5.5.x；使用 PDFBox 也应该可以实现模拟解决方案。我不确定 Pdftotext。

检查您的 PDF 的内部结构会发现：

• 显示说明的文本按阅读顺序排列。

  因此，您不需要对它们进行排序以进行文本提取，您可以将解决方案基于SimpleTextExtractionStrategy。

• 这里或那里显示了许多没有意义的单个空白字符，干扰了实际文本。

  您应该过滤这些多余的空格字符。

• 数据集分隔线是唯一填充的路径。此外，这些分隔线也是按“阅读顺序”绘制的。

  因此，您已经可以通过填充操作识别它们，无需分析路径形式，并且当您识别它们时，您可以在文本提取策略输出中添加标记。

因此，您可以通过扩展 SimpleTextExtractionStrategy 来实现您的任务：

public class SimpleDividerAwareTextExtractionStrategy extends SimpleTextExtractionStrategy implements TextExtractionStrategy, ExtRenderListener {
    @Override
    public void renderText(TextRenderInfo renderInfo) {
        if (!" ".equals(renderInfo.getText()))
            super.renderText(renderInfo);
    }

    @Override
    public void modifyPath(PathConstructionRenderInfo renderInfo) { }

    @Override
    public Path renderPath(PathPaintingRenderInfo renderInfo) {
        if (renderInfo.getOperation() == PathPaintingRenderInfo.FILL)
            appendTextChunk("\n----------\n");
        return null;
    }

    @Override
    public void clipPath(int rule) { }
}

(SimpleDividerAwareTextExtractionStrategy 助手类)

将此策略应用于您的示例 PDF：

PdfReader reader = new PdfReader(SOURCE);
PdfReaderContentParser parser = new PdfReaderContentParser(reader);
SimpleDividerAwareTextExtractionStrategy strategy = new SimpleDividerAwareTextExtractionStrategy();
for (int i = 1; i <= reader.getNumberOfPages(); i++)
    parser.processContent(i, strategy);
String content = strategy.getResultantText();

System.out.println(content);

(DividerAwareTextExtraction 测试testSimple419494453ThisIsASampleDocument)

一个得到：

This is a sample document
----------

SAM PARTNERS LLC.
Existing Client with Premium
Support, Retail Client
123 Popsicle Ave
Candyville IA 50325
512-512-5555
Order Number Order Quantity
RTL123 45
RTL456 25
RTL324 95
RTL457 100
----------

DUNDER MIFFLIN
Existing Client with Standard
Support, Corporate Client
123 Lolipop Ave
Candyville PA 21325
215-512-5555
Order Number Order Quantity
RTL1234 400
RTL4565 200
----------

Mobile PARTNERS LLC.
New Client with Premium
Support, Retail Client
123 First Ave
Nashville TN 51325
514-512-5555
Order Number Order Quantity
RTL123 45
RTL456 25
RTL324 95
RTL457 25
RTL457 25
RTL457 25
RTL457 25
----------

BLUEBERRY MUFFIN
New Client, Corporate Client
123 STORM Ave
Hershey PA 50325
216-512-5555
Order Number Order Quantity
RTL1234 400
RTL4565 200
----------

要提取数据集，您只需要找到分隔符字符串----------（当然您可以在SimpleDividerAwareTextExtractionStrategy 中使用不同的字符串），然后读取直到Order Number Order Quantity 的所有行以获取名称和地址数据，然后然后读取所有行直到下一个分隔符字符串以获取订单信息。