Ruby pdf-reader 在解析 PDF 时添加不存在的空白行

Posted 2023-03-07

【中文标题】Ruby pdf-reader 在解析 PDF 时添加不存在的空白行

【英文标题】：Ruby pdf-reader adds blank rows where none exist when parsing PDF

【发布时间】：2017-05-13 01:51:15

【问题描述】：

我正在构建一个工具来解析从 Linkedin 下载的 CV 的 PDF。但是，当我解析文档时，pdf-reader 会发现空行，而这些行是不存在的。

我想知道这是 PDF 还是 PDF 阅读器的问题？

脚本

require 'pdf-reader'

reader = PDF::Reader.new("CV.pdf")

reader.pages.each_with_index do |page, page_num|
    bits = page.text.split("\n")

    bits.each_with_index do |bit, index|
        puts bit
    end
end

简历截图

解析输出

Senior Analyst
September 2013 - August 2015 (1 year 11 months)
  - Managed a team of analysts to drive operational improvement across all departments of a subsidiary

   company, including a 33% increase in conversions on their e-commerce platform and a 8% decrease in
   logistics costs within my first year

您会注意到在输出的文本中，句子中间添加了一个空行。

这似乎很奇怪，因为如果您查看 PDF 的屏幕截图，它似乎没有任何空白行可供 pdf 阅读器找到。

有没有人对可能导致这种情况的原因有经验？

【参考方案1】：

尝试其他库后，问题似乎出在pdf-reader，而不是 PDF。

所以我决定使用另一个名为 Yomu 的 gem（请参阅：https://github.com/Erol/yomu），它避免了这个问题。

它有点慢，但考虑到输出的可预测性增加，这是可以接受的。