Java PDFBox文本提取连字“；“fi”&引用；fl"；安卓工作室的问题

我正在使用Android Studio库上的PDFBox从PDF文档中提取文本。以下是我正在做的：

File pdf_file = new File(file_path);

创建文件，然后

PDDocument document = null;
document = PDDocument.load(pdf_file);

将文件加载到PDDocument对象中，然后

PDFTextStripper pdfStripper = new PDFTextStripper();
pdfStripper.setStartPage(...);
pdfStripper.setEndPage(...);
String page_text = pdfStripper.getText(document);

获取页面的文本内容。问题是，例如，当有“firm”这个词时，它会显示为“firm”。它基本上在fi后面加了一个空格（我猜是fls和其他连字）。我试着读了这篇文章，但我不知道如何修复它。没有解决方案的详细信息

重要提示：事实证明，在我的PDF文件中，我没有像fi这样的连字，但我有普通的fi，但后面有空格。解决方案尚不清楚

---

PDF文件：

如评论中所述，我曾经遇到过类似的连字问题。我不得不检查PDF文件中的某些字符串，我想知道为什么有些字符串不起作用。经过分析，我发现这些文件包含连字，因此我无法找到“Textfield”，即使它在视觉上包含它。我的解决方案是不仅搜索

textfield

，还搜索

文本字段

——因此搜索两个字符串，一个带连字，一个不带连字

你说你想从pdf文件中提取文本。因此，我将添加一个后处理步骤

像现在一样提取文本

搜索所有连字，例如“fi”和“fi”，并将其替换为“fi”

我的证件在结扎后没有空间，所以我会考虑这两种情况。还应考虑词尾的情况（例如buffi）（可能是两个空格？）

总而言之：这个话题并不容易，因为你已经研究过了。此步骤称为。在pdfbox 2.X中，这是在内部完成的（cp.pdfbox-2384），但在pdfbox 1.X中，TextNormalize.java是

Upate:

您可以尝试的另一种可能性是更改PDFTextStripper.java。有一种方法叫做

normalizeWord（…）

。它将单个“fi”连字转换为“f”和“i”。你可以补充一下

//line 1971...
//for PDFs where ligatures are followed by a space (e.g. "fi ve") 
if(word.substring(q+1,q+2).equals(" ")) {
  p = q + 2;
}
else {
  p = q + 1;
}

但是我只在PDFBOX2.0.19上试过（看起来你用的是1.8.X）。好的是，它只在发现韧带时才使用。然而，这似乎不是一个普遍的解决办法，因为问题的话，以一个结扎结束。但在你的情况下，你应该是好的，因为每次结扎后似乎总是有一个空间

问题是，例如，当有“firm”这个词时，它会显示为“firm”

原因很简单：fi后面有一个空格

这是文本绘图说明，用于绘制示例文件中第一次出现“firm”的线条：

[（）360.3（杜斯利先生是一家“）250（）110.3（rm称为格朗宁，）]TJ的董事

通过字体编码将字节

“

（147）映射到字形名称fi，并通过字体映射到Unicode字符U+fb01，即拉丁小连字fi

因此，PDF查看器显示连字符号fi，文本提取器提取Unicode连字字符fi，或在展开字符f和i后提取

在该连字之后，绘制下一个图示符的起点向左移动250个单位，然后绘制一个空间，然后将下一个起点向左移动110.3个单位，然后绘制“rm”

因此，在查看器中看不到“fi”和“rm”之间的间隙（因为向左移动会抵消空格图示符的绘制），但文本提取器会提取空格字符（因为它在那里）

您可以检查这是否是PDFBox的怪癖，例如，具有复制粘贴功能的Adobe Reader将文本行提取为

Dursley先生是一家名为Grunnings的公司的董事，

---

就像PDFBox一样，它扩展了连字并提取了空格字符。

请共享该文件。我想知道桌面版PDFBox是否会出现这种情况。@Tilmanhausher您好，我用链接更新了我的问题，下载了PDFI。我也有一次遇到这个问题，我通过搜索fi和fi（连字）解决了这个问题@Lonzak嗯，你到底是怎么修复的？你找到了连字fi，然后去掉了后面的空格？@JingleBells看到我贴出的答案…你确定你在最后一段中是指文本吗？是的，当然，我是指Pdfbox…谢谢你发现了这个嗯，原来我没有连字。是“文本字段”，不是“文本字段”，因此替换方法不起作用：\n出于某种原因，它在fi后面放了一个空格，而不是fi@Lonzak考虑到上面的消息，你知道修复它的方法吗？@mkl考虑到“fi”是f和i，而不是fi，我在PDF中没有连字，但在“fi”后面有一个空格。您知道解决方案吗？您可能希望尝试删除所有空格，并让PDFBox在适当的位置插入空格，如中所示。感谢您的回答！结果表明，fi和rm之间实际上存在空格，PDF查看器使用“坐标”工作忽略空格，但当PDFBox提取文本时，空格实际上就在那里。这是PDF文件本身的问题还是其他PDF文件会出现问题？上面评论中的建议很好，但我不确定我是否要删除所有空格，并相信PDFBox会在它认为必要的地方添加。我发现的解决方案是只查找fi和fl，然后删除空格。据我所知，以fi或fl结尾的英语单词不多。无论如何，我真的希望这是PDF文件本身及其协调系统的问题。严格地说，“实现简单正确的文本提取”这不是PDF文件的要求，因此这本身不是问题。但这种复杂化确实是完全不必要的（就PDF标准而言）；因此，如果您与PDF制作人签订了合同，其中制作人承诺提供额外的文本