PDF dosyasından okuma metni .NET içinde

Question

Bir PDF dosyasından iTextSharp kütüphanesini kullanarak bir dizeye okumaya çalışıyorum.

iTextSharp.text.pdf.PdfReader pdfReader = new iTextSharp.text.pdf.PdfReader(@"C:\mypdf.pdf"); 
ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy(); 
string currentText = PdfTextExtractor.GetTextFromPage(pdfReader, 1, strategy); 
text = Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(currentText))); 
pdfReader.Close(); 
Console.WriteLine(text); 

Bu normalde Tamam çalışır, ancak her birkaç satır boşluk gibi çıkışı ile beni bırakarak, ihmal edilecek: "thisismyoutputwithoutwhitespace". Doğru şekilde ayrıştırılan metin, yazılmayan metinle aynı gibi görünüyor; Aynı metin tutarlı bir şekilde ayrıştırılmayacak, bu da bana PDF'lerde bir şey olduğunu düşündürüyor.

Answer 1

PDF dosyasının içerik akışında "sözcükler" fikri yok. Dolayısıyla, iText (Sharp) 'ın metin çıkarma uygulamasında, karakterlerin nasıl kelimelerle gruplandırılacağını belirleyen bazı sezgisel yöntemler vardır. 2 karakter arasındaki mesafe, geçerli fonttaki bir alanın yarısından daha büyük olduğunda, boşluk boşluk eklenir.

Büyük olasılıkla, boşluk olmadan ayıklanan metnin "boşluk/2" den küçük sözcükler arasında uzaklıklar vardır. SimpleTextExtractionStrategy.RenderText() yılında

:

if (spacing > renderInfo.GetSingleSpaceWidth()/2f){ 
    AppendTextChunk(' '); 
} 

Sen SimpleTextExtractionStrategy genişletmek ve RenderText() ayarlayabilirsiniz.

LocationTextExtractionStrategy içinde daha uygundur. Yalnızca IsChunkAtWordBoundary() geçersiz kılmak gerekir:

protected bool IsChunkAtWordBoundary(TextChunk chunk, TextChunk previousChunk) { 
    float dist = chunk.DistanceFromEndOf(previousChunk); 
    if(dist < -chunk.CharSpaceWidth || dist > chunk.CharSpaceWidth/2.0f) 
     return true; 

    return false; 
} 

Sen PDF'leri için iyi sonuçlar elde etmek için biraz deneme gerekecek. Durumunuzda "boşluk genişliği/2" görünüşte çok büyük. Ama eğer onu çok küçük olacak şekilde ayarlarsanız, yanlış pozitifler elde edersiniz: kelimeler içinde boşluklar eklenir.