iTextSharp从pdf文件中插入单词中的空格

Question

使用iTextSharp，我试图从以下pdf文件中提取文本：

https://www.treasury.gov/ofac/downloads/sdnlist.pdf

这是代码：

var currentText = PdfTextExtractor.GetTextFromPage(pdfReader, 2, new SimpleTextExtractionStrategy());
                   if (currentText.Length > 0)
                            {
                                var capture = new Capture();
                                capture.Text = currentText;

                                // write the results to the DB, if any data was found
                                _dataService.AddCapture(capture);
                            }

使用SimpleTextExtractionStrategy，结果被写到数据库中，在单词中有无数不需要的空格。第2页的前几行写成：

外国资产管制办公室特别指定的国民和被封锁者2017年2月3日-2-A.A. .k。a. AL MAZ -AN TEY MSDB；a .k.a .AL MAZ -ANTEY PV O 'AI R国防‘CO主导系统M S设计局OAO’开放JO INT -STOCK公司‘IMENI学术伊恩A.A。RASPLETIN；a.k . .a.OYE KONS TRUKT ORSKOY BYURO OIN TIN TOCK C OMP ALMAZ -AN TEY PVO ONCERN I MEN I J .A.a. JO股票C OMPANY A LMA Z-和泰伊AI R防御CON CERN MA在系统M设计局命名为ACADE MICIAN A.A.

例如，参见第4行和第6行中的"JO INT“，以及第2至最后一行中的"CON CERN”。这些类型的空间在整个结果中都会出现。不幸的是，这将使查询文本变得不可能。

有没有人知道为什么这样做，以及如何解决这个问题？

Answer 1

为什么会这样

其原因实际上是文本提取策略的一个特性，而在您的情况下，该策略不按需要工作。

背景:您认为PDF文件中单词之间的空格并不一定是由于指令绘制空格字符而产生的，它也可能是指令将文本插入位置稍微向右移动的结果。因此，当发现足够大的右移时，文本提取策略通常会添加一个空格字符。对于更多关于这一点(特别是“足够大”部分)的讨论，请参见这个答案。

但是，在文档中，文本正文字体的字体宽度信息太小(如果按原样使用，字符似乎粘合在一起，没有空格--在任何字符之间)；因此，每两个连续字符之间都会有小的右移，其中一些移动的范围足够宽，可以通过上面解释的机制错误地识别为单词分隔。

如何解决这个问题

由于PDF中的单词分隔是由绘制空格字符的指令创建的，因此不需要上面解释的特性。因此，解决该问题的最简单方法是使用没有该功能的文本提取策略。

您可以通过复制SimpleTextExtractionStrategy的源代码(例如来自这里)并注释掉方法RenderText中的一些行来创建这样的策略，如下所示：

public virtual void RenderText(TextRenderInfo renderInfo)
{
    [...]

    if (hardReturn)
    {
        //System.out.Println("<< Hard Return >>");
        AppendTextChunk('\n');
    }
    else if (!firstRender)
    {
//        if (result[result.Length - 1] != ' ' && renderInfo.GetText().Length > 0 && renderInfo.GetText()[0] != ' ')
//        { // we only insert a blank space if the trailing character of the previous string wasn't a space, and the leading character of the current string isn't a space
//            float spacing = lastEnd.Subtract(start).Length;
//            if (spacing > renderInfo.GetSingleSpaceWidth() / 2f)
//            {
//                AppendTextChunk(' ');
//                //System.out.Println("Inserting implied space before '" + renderInfo.GetText() + "'");
//            }
//        }
    }
    else
    {
        //System.out.Println("Displaying first string of content '" + text + "' :: x1 = " + x1);
    }

    [...]
}

使用这种简化的提取策略，您的文本将被正确提取。