pdf - iText:使用 LocationTextExtractionStrategy 从 pdf 文件中提取的文本顺序错误

Question

我正在使用 iText 从特定位置的 pdf 文件中提取一些文本。
为了做到这一点，我使用 LocationTextExtractionStrategy:

public static void main(String[] args) throws Exception {

    PdfReader pdfReader = new PdfReader("location_text_extraction_test.pdf");

    Rectangle rectangle = new Rectangle(38, 0, 516, 516);

    RenderFilter[] filter = {new RegionTextRenderFilter(rectangle)};
    TextExtractionStrategy strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), filter);
    String text = PdfTextExtractor.getTextFromPage(pdfReader, 1, strategy);

    System.out.println(text);

    pdfReader.close();
}

Link to pdf file

问题是提取的文本顺序错误:



应该提取什么:

Part Description Quantity Unit Price Total For Line Extended Price
Landing Fee 1.00 407.84 $ USD 407.84 407.84 $

提取为:

Total For Line Extended Price
Part Description Quantity Unit Price
1.00 407.84 $ USD 407.84 407.84 $
Landing Fee

请注意，当我在 Acrobat 中打开 pdf 时，使用 Ctrl+A 选择所有文本，复制然后将其粘贴到文本编辑器中，一切都按正确的顺序排列。

有没有办法解决这个问题？
非常感谢 ;)

Answer 1

造成这种情况的原因很简单，“行扩展价格总计”位于 507.37 的 y 坐标，而“零件描述数量单价”位于 506.42 的 y 坐标。
LocationTextExtractionStrategy通过只考虑 y 坐标的整数部分，允许小的变化，但即使整数部分在这里也不同。因此，它假定前一个标题在后一个标题上方的一条线上，并相应地输出其结果。

在这种变化的情况下，通常第一次尝试可能是尝试 SimpleTextExtractionStrategy .不幸的是，这在这里没有帮助，因为前一个文本实际上是在后一个文本之前绘制的。因此，此策略也会以错误的顺序返回标题。

在这种情况下，您需要一种工作方式不同的策略，例如策略HorizontalTextExtractionStrategy或 HorizontalTextExtractionStrategy2 (取决于您的 iText 版本，前一个到 iText 5.5.8，后一个为当前开发代码 5.5.9-SNAPSHOT)来自 this answer .使用它你会得到

Part Description Quantity Unit Price Total For Line Extended Price
Landing Fee 1.00 407.84 $ USD 407.84 407.84 $
Parking 1.00 101.96$ USD 101.96 101.96$
??? 1.00 51.65$ USD 51.65 51.65$
Pax Baggage Handling Fee 5.00 8.49$ USD 42.45 42.45 $
Pax Airport Tax 5.00 26.36 $ USD 131.80 131.80$
GA terminal for crew on Arr ferry fit 1.00 125.00$ USD 125.00 125.00$
VIP lounge for Pax on Dep. 5.00 124.00$ USD 620.00 620.00 $
GA terminal for crew on dep. 1.00 125.00$ USD 125.00 125.00$
VIP lounge for Guest on Dep. 1.00 38.00$ USD 38.00 38.00 $
Crew transfer on arr 1.00 70.00 $ USD 70.00 70.00 $
Crew transfer on dep 1.00 70.00 $ USD 70.00 70.00 $
Lavatory Service 1.00 75.00 $ USD 75.00 75.00 $
Catering-ISS 1.00 1,324.28 $ USD 1,324.28 1,324.28 $
Ground Handling 1.00 190.00$ USD 190.00 190.00$
Pax Handling 1.00 190.00$ USD 190.00 190.00$
Push Back 1.00 83.00 $ USD 83.00 83.00 $
Towing 1.00 110.00$ USD 110.00 110.00$

(使用 TextExtraction 测试方法 testLocation_text_extraction_test 的结果)

但是不幸的是，如果不同的并排列中有重叠的线，这些策略就会失败，例如在您的文件中，发票收件人地址及其右侧的信息。

您可以尝试调整水平策略(例如，通过分析分隔列的水平间隙)或尝试组合方法，对同一文档使用多个策略的输出。