从矩形中提取文本时的 ItextSharp anagram 输出

Posted 2023-03-07

【中文标题】从矩形中提取文本时的 ItextSharp anagram 输出

【英文标题】：ItextSharp anagram output when extract text from rectangle

【发布时间】：2016-01-12 10:41:53

【问题描述】：

我正在尝试使用 ItextSharp 从矩形中提取文本，除了某些特定区域外，它几乎适用于文档中的所有部分。这些区域是简单的粗体大写标题和简单的内容，其字体比文档的其余部分略小（均为大写）。在这些区域中，我得到了所选文本的字谜，而不是正确的单词。

例如单词“RELEASE”被骑为“ERLEASE”，“VOYAGE”变成“EGAYVO”，句子“FURTHER CHARGES”变成“FHTRU E R CHAGR E S”

奇怪的是，如果我尝试使用 SimpleTextExtractionStrategy 浏览整页，我会获得正确的文本。

pdf 的字体是经典的 Arial，我用于提取的策略取自 ***（rect 它由 args 传递）：

    _pdfRd = New PdfReader(_pdfPath)
    Dim output As String()
    Dim nrPag as Integer = 1
    Dim filter As RenderFilter = New RegionTextRenderFilter(rect)
    Dim strategy As FilteredRenderListener
    Dim locStrategy As New LocationTextExtractionStrategy
    strategy = New FilteredTextRenderListener(locStrategy, filter)
    output = GetTextFromPage(_pdfRd, nrPag, strategy).Split(vbLf)
    _pdfRd.Close()

我尝试使用其他文档，效果很好，我无法使用不同的文档重现此问题。

我很担心我的代码，我也尝试过这个策略：http://www.schiffhauer.com/read-text-in-a-pdf-in-c-with-itextsharp/ 但结果是一样的。

我在阅读过程中遗漏了一些东西，或者这是与我的 pdf 相关的问题？

更新：如果我选择错误单词的单个字母，则输出为空字符串，如果我同时选择更多字母也会发生这种情况，只有当我选择整个单词时才会获得（字谜）输出。 这真的很奇怪，例如我注意到如果我有“CARGO RELEASE”这个词，并且我只选择一个矩形“GO”或任何其他子字符串我什么都得不到，但是如果我选择“CARGO”我会得到“GRACO ERLESAE”和我没有选择第二个单词，只选择了第一个。

【问题讨论】：

我的第一个猜测是文本不是 100% 在相同的高度上，默认的LocationTextExtractionStrategy 有点容易受到攻击。因此，一些放置在较高位置的文本将出现在输出的开头。你能把你的输入文件上传到某个地方吗？

很抱歉，我无法上传 pdf，也许我可以在没有合理数据的情况下上传它的屏幕截图。告诉我它是否有帮助

您的 PDF 很可能有问题。不一定有问题，但默认实现会中断。由于无法共享文档，我只能建议您将LocationTextExtractionStrategy的源代码复制粘贴到您的项目中，使用该本地策略对象，并修改代码（例如将DUMP_STATE设置为true），这样您就可以获得更多信息。

很抱歉，我无法上传 pdf - 您正在处理的问题似乎与您的 PDF 相关，甚至仅针对其中的特定部分。因此，如果不提供示例文档来重现该问题，您就不能认真地期待帮助。话虽如此，如果@blagae 假设问题是关于文本不是 100% 在同一高度上确实是您的问题，那么来自this answer 的HorizontalTextExtractionStrategy 可能会有所帮助。

【参考方案1】：

您是否尝试过自定义工作 SimpleTextExtractionStrategy，而不是整页而是矩形？

你可以在这里找到 ghitub 项目的完整代码：https://github.com/itext/itextsharp/blob/75f05dd7d87797b86c44649f5f96df2d90d730e8/src/extras/itextsharp.tests/iTextSharp/text/pdf/parser/SimpleTextExtractionStrategyTest.cs