ITextSharp：提取没有小空格的文本

Posted 2023-03-07

【中文标题】ITextSharp：提取没有小空格的文本

【英文标题】：ITextSharp: Extract text without small spaces

【发布时间】：2015-03-22 20:51:51

【问题描述】：

我正在尝试提取一些 pdf 文件的标题以对其进行排序。不幸的是，每个字母之间都有一个空格，单词之间的空格比同一个单词的字母之间的空格大。 这是我的提取方法：

PdfReader reader = new PdfReader(filename);
Rectangle rect = new Rectangle(0, 0, 1000, 1000);
RenderFilter regionFilter = new RegionTextRenderFilter(rect);
FontRenderFilter fontFilter = new FontRenderFilter();
FilteredTextRenderListener strategy = new FilteredTextRenderListener(
    new LocationTextExtractionStrategy(), regionFilter, fontFilter);
string result = PdfTextExtractor.GetTextFromPage(reader, 1, strategy);
reader.Close();

有没有办法过滤掉较小的空间？

【问题讨论】：

这些空格是对应于实际绘制的空间字形还是由插入点移动产生的？如果您不知道，请提供一个示例 PDF 来说明您的问题。

很遗憾，我无法向您展示示例 pdf，因为我无权这样做。你能告诉我如何确定它们是哪种空间吗？

你能告诉我如何确定它们是哪种类型的空间 - 使用 PDF 浏览器（例如 RUPS）并检查相应的页面或 xobject 流。需要对PDF specification 有一些透彻的了解。

This answer 和 this one 处理一个可能相关的问题：在他们的情况下，字符之间的间隙太小而无法识别为空格。如果您的空间来自插入点移动，那么这些答案可能会启发您。

据我所知，有实际绘制的空间。

【参考方案1】：

iText 使用渲染字形的距离作为基础来确定是否存在空格。应用的一般规则是，如果距离大于正常空格的宽度除以 2，则识别空格字符。虽然这在大多数情况下工作得很好，但如果空格字符的宽度无法确定所用字体的宽度，它就根本不起作用。在我的例子中，空格的宽度被识别为 0，因此字形之间的最小距离被识别为空格。我的解决方案基于 mkl 对与您的问题非常相似的另一个答案。

简而言之：您需要从例如SimpleTextExtractionStrategy 或 LocationTextExtractionStrategy 并覆盖将字形之间的距离转换为空格的方法（分别为 renderText 或 isChunkAtWordBoundary）。

您也可以参考the answer I gave here 或original solution by mkl。

【讨论】：

OP表示字母之间实际上可能有空格字符。在这种情况下，更改您引用的参数将无济于事。 （不过，可能 OP 是错误的，实际上只需要一些单词边界检测微调......）