C# 当从iTextSharp使用LocationTextExtractionStrategy时，如何避免textchunk中的错误值？

多年来，我一直与iTextSharp库合作，使用扩展名从PDF文件中提取文本。这是给我所有的话和他们的立场

但是现在，在一个新的PDF（使用iText 1.4.3生成）中，我有一些来自同一行的块，正如您在图像示例中看到的

Text: S startLocation x:122 y:110.64 z:1 endLocation  x:126.8 y:125.04 z:1
Text: e startLocation x:126.8 y:110.64 z:1 endLocation  x:131.6 y:125.04 z:1
Text: x startLocation x:131.6 y:110.64 z:1 endLocation  x:136.4 y:125.04 z:1
Text: L startLocation x:122 y:135.3 z:1 endLocation  x:126.8 y:226.5 z:1
Text: a startLocation x:126.8 y:135.3 z:1 endLocation  x:131.6 y:226.5 z:1
Text: s startLocation x:131.6 y:135.3 z:1 endLocation  x:136.4 y:226.5 z:1
Text: t startLocation x:136.4 y:135.3 z:1 endLocation  x:141.2 y:226.5 z:1
Text: n startLocation x:141.2 y:135.3 z:1 endLocation  x:146 y:226.5 z:1
Text: a startLocation x:146 y:135.3 z:1 endLocation  x:150.8 y:226.5 z:1
Text: m startLocation x:150.8 y:135.3 z:1 endLocation  x:155.6 y:226.5 z:1
Text: e startLocation x:155.6 y:135.3 z:1 endLocation  x:160.4 y:226.5 z:1

在生成文本Chunck之前，请给我：

S|distParallelStart 143.5421|distParallelEnd 158.7211| distPerpendicular 81 | orientationMagnitude 1249|orientationVector 0,3162279,  0,9486833, 0
e|distParallelStart 145.06  |distParallelEnd 160.239 | distPerpendicular 85 | orientationMagnitude 1249|orientationVector 0,3162279,  0,9486833, 0
x|distParallelStart 146.5779|distParallelEnd 161.7569| distPerpendicular 90 | orientationMagnitude 1249|orientationVector 0,3162279,  0,9486833, 0
L|distParallelStart 141.5252|distParallelEnd 232.8514| distPerpendicular 115| orientationMagnitude 1518|orientationVector 0,05255886, 0,9986178, 0
a|distParallelStart 141.7775|distParallelEnd 233.1037| distPerpendicular 120| orientationMagnitude 1518|orientationVector 0,05255886, 0,9986178, 0
s|distParallelStart 142.0297|distParallelEnd 233.356 | distPerpendicular 124| orientationMagnitude 1518|orientationVector 0,05255886, 0,9986178, 0
t|distParallelStart 142.282 |distParallelEnd 233.6083| distPerpendicular 129| orientationMagnitude 1518|orientationVector 0,05255886, 0,9986178, 0
n|distParallelStart 142.5343|distParallelEnd 233.8605| distPerpendicular 134| orientationMagnitude 1518|orientationVector 0,05255886, 0,9986178, 0
a|distParallelStart 142.7866|distParallelEnd 234.1128| distPerpendicular 139| orientationMagnitude 1518|orientationVector 0,05255886, 0,9986178, 0
m|distParallelStart 143.0389|distParallelEnd 234.3651| distPerpendicular 143| orientationMagnitude 1518|orientationVector 0,05255886, 0,9986178, 0
e|distParallelStart 143.2912|distParallelEnd 234.6174| distPerpendicular 148| orientationMagnitude 1518|orientationVector 0,05255886, 0,9986178, 0

关于两个块是否在同一行的代码返回false（因为distvertical不同：

 virtual public bool SameLine(TextChunk a){
   if (orientationMagnitude != a.orientationMagnitude) return false;
   if (distPerpendicular != a.distPerpendicular) return false;
   return true;
 }

在TextChunk类中计算垂直距离：

public TextChunk(String str, Vector startLocation, Vector endLocation, float charSpaceWidth) {
    this.text = str;
    this.startLocation = startLocation;
    this.endLocation = endLocation;
    this.charSpaceWidth = charSpaceWidth;

    Vector oVector = endLocation.Subtract(startLocation);
    if (oVector.Length == 0) {
        oVector = new Vector(1, 0, 0);
    }
    orientationVector = oVector.Normalize();
    orientationMagnitude = (int)(Math.Atan2(orientationVector[Vector.I2], orientationVector[Vector.I1])*1000);

    // see http://mathworld.wolfram.com/Point-LineDistance2-Dimensional.html
    // the two vectors we are crossing are in the same plane, so the result will be purely
    // in the z-axis (out of plane) direction, so we just take the I3 component of the result
    Vector origin = new Vector(0,0,1);
    distPerpendicular = (int)(startLocation.Subtract(origin)).Cross(orientationVector)[Vector.I3];

    distParallelStart = orientationVector.Dot(startLocation);
    distParallelEnd = orientationVector.Dot(endLocation);
}

如果我做locationalResult.Sort（），文档中的卡盘会与其他卡盘混合，因为数据看起来没有顺序。在其他PDF中，工作的人有方向向量（1,0,0）。不同之处在于，startLocation和endLocation没有相同的y因子。似乎有点高。 有人能告诉我哪里出了问题？我如何更正这些值以获得同一行中的所有字符

---

文档是面向横向的，块具有相同的X组件，但Y更改如下： 只有改变X和Y坐标才能工作

        Function GetCharacterRenderInfos() As List(Of CustomTextRenderInfo)
        Dim baseList As IList(Of TextRenderInfo) = Me.BaseInfo.GetCharacterRenderInfos()
        Dim caracteres() As Char = Me.GetText().ToCharArray()
        Dim vStart As Vector = Me.BaseLine.GetStartPoint()
        Dim vEnd As Vector = Me.BaseLine.GetEndPoint()

        Dim x As Single = vStart(Vector.I1)
        Dim y As Single = vStart(Vector.I2)
        Dim z As Single = vStart(Vector.I3)

        Dim y2 As Single = vEnd(Vector.I2)
        If (x.Equals(vEnd(Vector.I1))) Then 'This case
            x = vStart(Vector.I2)
            y = 2000 - vStart(Vector.I1) 'Because the rigthmost column must be on top
            y2 = 2000 - vEnd(Vector.I1)
        End If


        If x < 0 And y > 0 Then
            x = 0
        End If

函数getCharacterRenderInfo（）作为（CustomTextRenderInfo的）列表 Dim baseList作为IList（TextRenderInfo的）=Me.BaseInfo.getCharacterRenderInfo（） Dim caracteres（）作为Char=Me.GetText（）.ToCharray（）的形式 Dim vStart As Vector=Me.BaseLine.GetStartPoint（） Dim vEnd As Vector=Me.BaseLine.GetEndPoint（） 尺寸x为单个=vStart（向量I1） 尺寸y为单个=vStart（向量I2） 尺寸z为单个=vStart（向量I3） 尺寸y2为单个=供应商（矢量I2） 如果（x.Equals（vEnd（Vector.I1）），则“此情况 x=vStart（Vector.I2） y=2000-vStart（Vector.I1）“，因为RightHost列必须位于顶部 y2=2000-vEnd（向量I1） 如果结束 如果x<0且y>0，则 x=0 如果结束

---

也许是另一种解决方案，但这对我很有效。再次感谢。

你能提供有问题的PDF吗？事实上，有问题的PDF是分析这个问题所必需的。我从PDF上传了一个页面，而不是图片。我无法在PDF之前发布。我只是从当前的iText应用了

LocationTextExtractionStrategy

ion和提取的所有内容都很好。因此，您的

LocationTextExtractionStrategy

扩展可能在某个地方引入了错误。顺便说一句，iTextSharp当前托管在github上。sourceforge存储库正在变旧。看起来您的策略中的原始块被分解为单个字符块，而这进程出错，似乎没有考虑页面旋转。