itext java pdf到文本创建

Question

我使用itext将pdf转换为文本文件，它实际上工作良好，但是对于某些词它可以完成以下操作：例如，在pdf中，有诸如“ present the main
idea”之类的短语，但是itext创建了诸如“ presentthemainideas”之类的输出。无论如何，有没有纠正这种行为？

            String pdf="/home/can/Downloads/NLP/textSummarization/A New Approach for  Multi-Document Update Summarization.pdf";
    String txt="/home/can/myWorkSpace/PDFConverterProject/outputs/bb.txt";
    StringBuffer text=new StringBuffer() ;
    String resultText="";
    PdfReader reader;
    try {
        reader = new PdfReader(pdf);
        PdfReaderContentParser parser = new PdfReaderContentParser(reader);
        PrintWriter out = new PrintWriter(new FileOutputStream(txt));
        TextExtractionStrategy strategy;
        for (int i = 1; i <= reader.getNumberOfPages(); i++) {
            strategy = parser.processContent(i, new SimpleTextExtractionStrategy());
            text.append(strategy.getResultantText());

        }
        resultText=text.toString();
        resultText = resultText.replaceAll("-\n", "");
        out.println("-->"+resultText);

        StringTokenizer stringTokenizer=new StringTokenizer(resultText, "\n");
        PrintWriter lineWriter = new PrintWriter(new FileOutputStream("/home/can/myWorkSpace/PDFConverterProject/outputs/line.txt"));
        while (stringTokenizer.hasMoreTokens()){
            String curToken = stringTokenizer.nextToken();
            lineWriter.println("line-->"+curToken);
        }
        lineWriter.flush();
        lineWriter.close();
        out.flush();
        out.close();
    } catch (IOException e) {
        // TODO Auto-generated catch block
        e.printStackTrace();
    }
}

Answer 1

缺少空格字符的原因是，您在渲染的PDF中看到的空格不一定与PDF页面内容描述中的空格相对应。取而代之的是，您通常会在PDF中找到一个操作，该操作在渲染一个单词后将当前位置稍微向右移，然后再渲染下一个单词。

不幸的是，同样的机制也被用来增强相邻字形的外观：在某些字母组合中，为了获得良好的外观和阅读体验，字形应比默认情况下更近或更远地打印。使用与上述相同的操作在PDF中完成此操作。

因此，在这种情况下，PDF解析器必须使用试探法来确定这种移位是否意味着暗含空格字符，还是仅意味着使字母组看起来更好。试探法可能会失败。

您SimpleTextExtractionStrategy用作文本提取策略。这种情况下的试探法是这样实现的（如当前在iText
SVN干线renderText中的SimpleTextExtractionStrategy.java中的方法中一样）：

float spacing = lastEnd.subtract(start).length();
if (spacing > renderInfo.getSingleSpaceWidth()/2f)
{
    result.append(' ');
}

因此，将至少是空格的当前宽度一半宽度的间隙转换为空格。

这通常听起来很明智。但是，在仅使用水平移位分隔单词的文档的情况下，实际空格字符的当前宽度对于启发式方法可能不是一个好方法。

因此，您可以做的是尝试改善文本提取策略中的启发式方法。复制现有代码，进行操作，然后在代码中使用它。

如果为您的问题提供样本PDF，我们可能会提供一些帮助。