Android Studio上的PDFBox文本提取连字“fi”、“fl”问题

Question

我在Android Studio库上使用这个https://github.com/TomRoush/PdfBox-AndroidPDFBox从PDF文档中提取文本。这是我正在做的事情：

File pdf_file = new File(file_path);

创建文件，然后

PDDocument document = null;
document = PDDocument.load(pdf_file);

将文件加载到PDDocument对象中，然后

PDFTextStripper pdfStripper = new PDFTextStripper();
pdfStripper.setStartPage(...);
pdfStripper.setEndPage(...);
String page_text = pdfStripper.getText(document);

获取页面的文本内容。问题是，例如，当有“firm”这个词时，它会显示为“firm”。它基本上在fi后面加了一个空格（我猜是fls和其他连字）。我试图通过使用pdfBox提取OpenTypeFont文本来阅读这个问题，但我不知道如何解决它。没有解决方案详细信息。

重要提示：事实证明，在我的PDF文件中，我没有任何像fi这样的连字，但我有常规fi，但后面有空格。解决方案尚不清楚。

PDF文件：https://wetransfer.com/downloads/09e9036dda4a7962ccad32b1cbcd8edc20200506050349/ab4752

Answer 1

正如评论中提到的，我曾经在连字符方面遇到过类似的问题。我不得不检查PDF文件中的某些字符串，并且想知道为什么它对某些字符串不起作用。经过分析，我发现这些文件包含连字符，因此我找不到“Textfield”，即使它在视觉上包含它。我的解决方案是不仅搜索text field，还搜索text field-所以搜索两个字符串，一个有连字符，一个没有连字符。

你说你想从pdf文件中提取文本。所以我会添加一个后处理步骤。

1. 像现在一样提取文本

我的文档在连字后没有空格，所以我会考虑这两种情况。还应考虑词尾的情况（例如buffi）（可能是两个空格？）。

总而言之：这个话题并不容易，因为你已经研究过了。此步骤称为NFKC规范化。在pdfbox 2中。X现在在内部（cp.PDFBOX-2384）完成，但在PDFBOX 1中完成。X文本规格化。java正在这样做。

更新日期：

您可以尝试的另一种可能性是更改PDFTextStripper。Java语言有一种方法叫做normalizeWord（…） 。它将单个“fi”连字转换为“f”和“i”。您可以在这里添加

//line 1971...
//for PDFs where ligatures are followed by a space (e.g. "fi ve") 
if(word.substring(q+1,q+2).equals(" ")) {
  p = q + 2;
}
else {
  p = q + 1;
}

但我只在PDFBOx2.0.19中使用了它（看起来您使用的是1.8.X）。好的是，它只在发现系带时使用。然而，由于以连字结尾的单词存在问题，这似乎不是一个普遍的解决方案。但在你的情况下，你应该很好，因为每次结扎后似乎总是有一个空格。

Answer 2

问题是，例如，当有“公司”这个词时，它会像“fi rm”一样显示它。

原因很简单：“fi”后面有一个空格！

这是文本绘图说明，用于绘制示例文件中第一次出现“firm”的线条：

 [( )360.3(Mr Dursley was the director of a “)250( )110.3(rm called Grunnings, )]TJ

通过字体编码将字节（147）映射到字形名称fi，并通过字体的ToUnicode映射到Unicode字符U fb01，即拉丁小连字fi。

因此，PDF查看器显示连字图示符fi，文本提取器提取Unicode连字字符fi或在扩展字符f和i后提取。

在连接之后，绘制下一个字形的起点向左移动250个单位，然后绘制一个空格，然后将下一个起点向左移动110.3个单位，然后绘制“rm”。

因此，在查看器中看不到“fi”和“rm”之间的差距（因为向左移动会抵消空间图示符的绘制），但文本提取器会提取一个空间字符（因为它在那里）。

您可以检查这不是PDFBox怪癖，例如带有副本的Adobe Reader

Mr Dursley was the director of a fi rm called Grunnings,

就像PDFBox一样，它扩展了连字并提取了空格字符。