保留；“长”；PDFBox文本提取中的空格

我正在使用PDFBox从PDF中提取文本。 PDF有一个表格结构，非常简单，列之间的间距也非常大

这非常有效，除了所有类型的水平空格都转换为单个空格字符，因此我无法再区分列（列中单词内的空格看起来就像列之间的空格）

我理解，一般的解决方案非常困难，但在这种情况下，列之间的距离非常远，因此对“长空格”和“单词之间的空格”进行简单区分就足够了

有没有办法告诉PDFBox将超过x英寸的水平空白转换为单个空格以外的内容？比例方法（x英寸变成y空间）也会起作用

---

具有一个“-layout”开关，尝试保留布局。基本上，如果我可以用PDFBox模拟它，那将是完美的。

似乎没有这方面的设置，但我能够修改工具的源代码，以便在遇到“长”空格时输出列分隔符（|）。在构建输出行的代码中，可以查看当前和上一个字母的x位置，如果它足够大，可以做一些特殊的事情。PDFTextStripper有很多受保护的方法，但事实证明并不是完全可扩展的。我最终不得不复制整个类来更改私有方法

---

看看里面的代码，我觉得自己很幸运，因为有了特定的PDF，这种简单的方法是成功的。更通用的解决方案似乎非常棘手。

PDF文本提取很困难

如果文本输出为一个由空格分隔的大字符串，例如：-

PDFTextOut("     Column 1                    Column 2           Column 3");

如果你使用的是固定宽度的字体，比如Courier，那么理论上你可以计算文本项之间的空格数，因为每个字符都是相同的宽度。如果字体与Arial字体成比例，那么计算就比较困难

实际上，大多数PDF都是通过将每一段文本直接放置到其位置来生成的。因此，从技术上讲，列之间没有空格字符或任何其他字符。文本只是放在页面上的一个绝对位置

PDFMoveTo(100,100);
PDFTextOut("Column 1");
PDFMoveTo(250,100);
PDFTextOut("Column 2");

---

为了在PDF文档上执行数据提取，您必须做更多的工作来查找和匹配列数据，方法是使用您提到的像素位置，并做出一些假设，运气好一点。

嗯，PDF文本提取很困难，但xpdf的pdftotext布局保留选项工作得很好。如果PDFBox也有类似的功能就好了（它已经成功地保持了阅读顺序，将同一行上的文本放入同一输出行，并将字符分组为单词）。对于以下解析逻辑（必须重构表），明文输出是否足够清晰是另一个问题。幸运的是，在我的例子中，它起了作用。您必须更改哪个私有方法，以及您是如何更改它的？您可能想看看。