PDF 提取中缺少表格布局信息

Question

我已经研究了从PDF进行文本提取/数据提取，并使用了其他一些堆栈溢出答案来寻求帮助，我设置的是Tika通过自定义ContentHandlerDecorator解析pdf，该自定义ContentHandlerDecorator使用sax事件来解析内容。我遇到了一个问题，虽然在 PDF 查看器中查看 pdf 时包含一个按行和列排列的数据表，但该信息似乎没有从 pdf 中提取，或者我没有看到如何使用 tika / 萨克斯找到它。

这是我所看到的一个例子:

像上面这样的表格给了我这个（当我只是串起萨克斯事件时）

START http://www.w3.org/1999/xhtml, div, , div, class = page; 
START http://www.w3.org/1999/xhtml, p, , p, 
END http://www.w3.org/1999/xhtml, p, , p
WHITESPACE[
], 0, 1

START http://www.w3.org/1999/xhtml, p, , p, 
CHARS [I, n, f], 0, 3
WHITESPACE[
], 0, 1
CHARS [o], 0, 1
WHITESPACE[
], 0, 1
END http://www.w3.org/1999/xhtml, p, , p

START http://www.w3.org/1999/xhtml, p, , p, 
CHARS [I, n, f, o], 0, 4
CHARS [ ], 0, 1
CHARS [H, 1], 0, 2
CHARS [ ], 0, 1
CHARS [H, 2], 0, 2
CHARS [ ], 0, 1
CHARS [H, 3], 0, 2
CHARS [ ], 0, 1
CHARS [H, 4], 0, 2
WHITESPACE[
], 0, 1
END http://www.w3.org/1999/xhtml, p, , p

// Start of Second Row
START http://www.w3.org/1999/xhtml, p, , p, 
CHARS [1], 0, 1
CHARS [I, n, f, 1], 0, 4
WHITESPACE[
], 0, 1
CHARS [I, n, f, 2], 0, 4
WHITESPACE[
], 0, 1
END http://www.w3.org/1999/xhtml, p, , p

START http://www.w3.org/1999/xhtml, p, , p, 
CHARS [I, n, f, 3], 0, 4
WHITESPACE[
], 0, 1
END http://www.w3.org/1999/xhtml, p, , p

START http://www.w3.org/1999/xhtml, p, , p, 
CHARS [D, 1], 0, 2
CHARS [ ], 0, 1 
CHARS [D, 4], 0, 2
END http://www.w3.org/1999/xhtml, p, , p

由于段落似乎是随机结束的，没有新行开始的指示，在第二行的情况下，尽管在查看器中是这样显示的，但在空列的数据中没有间隙。

很抱歉，我无法提供pdf，但我正在寻找有关这些额外格式/布局数据存储或提取位置的任何信息，因为我从Tika获得的信息中显然缺少信息。这些段落中没有任何属性。

如果有帮助的话，我知道PDF是使用iText生成的，我可以在元数据中看到这一点，但在试用iText时，它似乎没有提供一种在不提供某种预先制作的提取模板的情况下以编程方式打开和解析PDF的方法，我不想这样做。

Answer 1

SAX信息对于获取您想要的信息几乎毫无用处。IIRC，iText有一个文本提取API，您需要它将提供的位置信息来确定给定的文本位位于哪个列。

查看iText的SimpleTextExtraction战略。您需要构建类似的东西，注意evOccurred（），查找EventType.RENDER_TEXT。当您获得文本呈现事件时，您需要查看转换为TextRenderInfo的IEventData参数，并找出它在页面（和表中）的位置，是否在表中，等等。

根据位置信息，您必须推断出每条文本来自哪个列。不要依赖按逻辑顺序出现的信息。不要依赖文本使单元格处于单个呈现事件中。

注意：我对pdfbox，萨克斯或apache-tika几乎一无所知，所以很可能有一种不那么“自己动手”的方式来做到这一点。例如，您可以调整 Tika 的输出以提供定位信息（绝对或相对）。这些信息可能来自非常类似于SimpleTextExtracthtml" target="_blank">ionStrategy的东西。

狩猎愉快。