iText：如何调整文本提取？

Question

我使用的是iText 5.5.8 for Java。遵循默认的、简单的文本提取过程，即。

PdfTextExtractor.getTextFromPage(reader, pageNumber)

我很惊讶地在输出中发现了几个错误，特别是所有字母ds都变成了OS。

PDF示例可在http://www.fpozzi.com/stampastopper/download/文件名为0116_lr.PDF.抱歉，无法共享直接链接。这是一些文本提取的基本代码

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，我尝试了从Apache PDFBox（一个类似于iText的项目，我刚刚发布了）中提取文本，但它确实存在同样的问题。

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();
        }
    }
}

我得出的结论是，获得一些体面的文本提取的最可靠的方法也可能是最意想不到的：一些好的OCR。我现在正在尝试：1）将pdf转换成图像（PDFBox很擅长这样做--甚至不用尝试pdf-renderer)2)OCR图像，我将在几天后发布我的结果。

Answer 1

您的输入文档是以一种奇怪（但‘合法’）的方式创建的。参考资料中有一个Unicode映射，它将任意字形映射到Unicode点。特别是，ASCII中的字符号0x64（D）映射到该字体中Unicode point 0x6f(UTF-8)的字形，即O。这本身不是问题--任何PDF浏览器都可以处理--但这很奇怪，因为所有其他使用的字形都不是“交叉映射”的。例如，字符0x63映射到Unicode点0x63（即C)等。

现在的原因是Acrobat正确地进行了文本提取（除了空格），而其他的都出错了。我们必须深入研究PDF语法：

[p, -17.9, e, -15.1, l, 1.4, l, 8.4, i, -20,  m, 5.8, i, 14, st, -17.5, e, 31.2, ,, -20.1,  a] TJ
<</ActualText <fffffffeffffffff00640064> >> BDC
5.102 0 Td
[d, -14.2, d] TJ
EMC

它告诉PDF查看器在第一行代码上打印p-e-l-l-i--m-i-st-e-a，然后在第四行打印d-d。但是，D映射到O，这显然只是文本提取的问题。Acrobat确实正确地进行了文本提取，因为有一个内容标记/actualtext，它表示我们在BDC和EMC标记之间写入的任何内容都必须解析为dd(0x64,0x64)。

要真正回答您的问题：iText目前正在研究解析/actualtext标记，但在正式发布之前可能需要一段时间。