Java 解析PDF时出现奇怪的空白

我需要解析一个PDF文档。我已经实现了解析器并使用了库iText，到目前为止，它工作起来没有任何问题

但是，我不需要分析另一个文档，它在单词中间有非常奇怪的空白。例如，我得到：

Vo rber eitungauf die电机驱动装置。Viele汽车adf ahr

所有粗体字都应该连接起来，但PDF解析器不知何故在字中添加了空格。但是，当我将PDF中的内容复制并粘贴到文本文件中时，我不会得到这些空格

首先，我认为这是因为我使用的PDF解析库，但也因为另一个库，我得到了完全相同的问题

我从解析的单词中查看了

singleSpaceWidth

，我注意到它在添加空格时总是变化的。我试着手动把它们放在一起。但是，由于没有一个真正的模式来重组这些词，这几乎是不可能的

有没有其他人有类似的问题，或者甚至有解决这个问题的方法

根据要求，以下是更多信息：

• iText版本5.2.1
• （链接至pdf）

使用SemTextExtractionStrategy进行解析：

PdfReader reader = new PdfReader("data/SpecialTests/SuedostSchweiz/" + src);

SemTextExtractionStrategy semTextExtractionStrategy = new SemTextExtractionStrategy();

for (int i = 1; i <= reader.getNumberOfPages(); i++) {
    // Set the page number on the strategy. Is used in the Parsing strategies.
    semTextExtractionStrategy.pageNumber = i;

    // Parse text from page
    PdfTextExtractor.getTextFromPage(reader, i, semTextExtractionStrategy);
}

下面是整个SemTextExtraction类，但在其中它只从上面调用方法（parseText）：

公共类SemTextExtractionStrategy实现TextExtractionStrategy{
//文本抽取策略
public ColumnDetecter ColumnDetecter=新ColumnDetecter（）；
//图像提取策略
public ImageRetriever ImageRetriever=新的ImageRetriever（）；
公共整数页码=-1；
public ArrayList textParsingStrategies=new ArrayList（）；
public ArrayList imageParsingStrategies=new ArrayList（）；
公共SemTextExtractionStrategy（）{
//添加稍后应用于提取文本的所有文本解析策略
//textParsingStrategies.add（fontSizeMatcher）；
textParsingStrategies.add（columnDetecter）；
//添加所有图像解析策略，这些策略稍后将应用于提取的文本
imageParsingStrategies.add（imageRetriever）；
}
@凌驾
public void beginTextBlock（）{
}
@凌驾
公共void renderText（TextRenderInfo renderInfo）{
//文本分析
for（TextParsingStrategy战略：textParsingStrategies）{
解析文本（renderInfo，页码）；
}
}
@凌驾
public void endTextBlock（）{
}
@凌驾
公共无效渲染图像（ImageRenderInfo renderInfo）{
for（ImageParsingStrategy：imageParsingStrategies）{
策略.parseImage（renderInfo）；
}
}
}

因为您拥有的文档被拆分为列，所以明显的错误在

SemTextExtractionsStrategy

班级。我假设类ColumnDetector可能是应该受到责备的对象，而不是iText。我只能假设它是根据列的大小实现的，然后根据该大小检索文本

---

如果只需要文本，那么根据列的大小，实现可能会更简单。

我已使用以下命令处理给定的PDF文件：

此命令创建了一个文件

out.pdf

，该文件没有流编码，因此可读性更好。有趣的部分在第52行，为了便于阅读，我将其分为多行：

[
  (&;&)-287.988
  (672744)29.9906
  (+\(%)30.01
  (+!4)29.9876
  (&4)-287.989
  (%4)30.0039
  (&1&8)-287.975
  (3=\)!)-288.021
  (*&4)30.0212
  (&=23)-287.996
  (+1%)-287.99
  (\(=&)-288.011
  (8&1&)-287.974
  (672744)29.9906
  (+\(3+=378$)-250.977
  (#7\)!)
]TJ

括号之间是文本字符。我改变了其中一些，并观看了呈现的PDF文件，以查看哪个字符代表哪个字形。然后我解码了文本：

[
  (ele)-287.988
  (Motorr)29.9906 ***
  (adf)30.01 ***
  (ahr)29.9876 ***
  (er)-287.989
  (fr)30.0039
  (euen)-287.975
  (sich)-288.021
  ...
]

---

因此，字符之间确实存在空白。在您的情况下，这可能是字体的字距调整。现在的问题是您的PDF库如何解释此空白，在我看来，即使是“负空白”也会被呈现到结果字符串中的一个空格中。

PDF中的空白是一个已知的问题，正如Roland在这里的回答中所描述的，在

对我来说同样有效的答案是huuhungus在

这是特定于PDFParser的，如果您知道会出现以下问题，则需要更改代码，以实际将此额外空间添加到PDFParser：

src/Smalot/PdfParser/Object.php注释掉这一行

   $text .= ' ';

虽然没有完全修复，但可以接受

---

其他库也可能有类似的临时修复程序，以便在某些情况下可以帮助解决此问题。

请告知您正在使用的iText版本，并以某种方式提供PDF，还有你解析的代码。在上面的帖子中添加了所有信息。你使用的TextExtractionStrategy类呢？@Prine你解决了这个问题吗？@tobaiasjl那是很久以前的事了。。但我有点在我的后脑勺PDF已损坏，并与新生成的PDF问题没有发生..谢谢你的回答。我一定会调查一下ColumnDetector。但是parseText方法来自这个类，在那里我直接从iText库中得到输出，在那里单词已经被拆分。有没有办法摆脱这个或实现？你用什么工具来生成pdf？它是Ghostscript；我对答案进行了编辑，以澄清这一点。谢谢你的提示。没有办法去除PDF文件中的空白，因为它就在那里。我不知道iText是否能处理这个问题以及如何处理，因为我不知道iText。在这个回答中，我刚刚解释了附加空格的来源。iText 5.2.1现在是一个古老的版本。当前版本具有属性/可重写方法，可在哪些情况下对iText添加空格，哪些情况下不添加空格进行微调。从不添加空格也是一个糟糕的选择，一般来说，许多PDF文件都会在几乎没有空格的情况下提取文本。

[
  (&;&)-287.988
  (672744)29.9906
  (+\(%)30.01
  (+!4)29.9876
  (&4)-287.989
  (%4)30.0039
  (&1&8)-287.975
  (3=\)!)-288.021
  (*&4)30.0212
  (&=23)-287.996
  (+1%)-287.99
  (\(=&)-288.011
  (8&1&)-287.974
  (672744)29.9906
  (+\(3+=378$)-250.977
  (#7\)!)
]TJ

[
  (ele)-287.988
  (Motorr)29.9906 ***
  (adf)30.01 ***
  (ahr)29.9876 ***
  (er)-287.989
  (fr)30.0039
  (euen)-287.975
  (sich)-288.021
  ...
]

   $text .= ' ';