wie können wir extrahieren von text aus pdf mit itextsharp mit Leerzeichen?

Die Hintergründe auf, warum die Leerzeichen zwischen den Wörtern manchmal nicht richtig erkannt von iText(Scharf) oder andere PDF-text-Extraktoren, erklärt wurden, in Antwort auf "itext-java-pdf-Erstellung der Texte": Diese 'Räume' sind nicht unbedingt erstellt mit Leerzeichen sondern mit einem Betrieb, erstellen einen kleinen Spalt. Diese Operationen werden auch für andere Zwecke verwendet (die nicht brechen Wörter), aber, und so ein text-Extraktor muss mit Heuristiken, um zu entscheiden, ob eine solche Lücke ist ein Wort zu brechen oder nicht...

Dies vor allem besagt, dass Sie nie eine 100% sichere word-break-Erkennung.

Was Sie allerdings tun können, ist die Verbesserung der Heuristiken verwendet.

iText und iTextSharp standard-extrahieren von text - - Strategien, die z.B. davon ausgehen, ein Wort zu brechen, die in einer Linie, wenn

a) es ist ein Leerzeichen oder

b) es gibt eine Lücke, die zumindest so breit ist wie die Hälfte einer Leerstelle.

Element a ist ein sicher hit, aber Punkt b kann oft nicht im Fall von dicht-Satz-text. Die OP von der Frage der Antwort auf den oben verwiesen wird habe sehr gute Ergebnisse mit einem Viertel der Breite eines Leerzeichens statt.

Können Sie zwicken diese Kriterien durch kopieren und ändern der text-Extraktion-Strategie Ihrer Wahl.

In der SimpleTextExtractionStrategy Sie finden dieses Kriterium eingebettet in die renderTextMethode:

if (spacing > renderInfo.GetSingleSpaceWidth()/2f){
    AppendTextChunk(' ');
}

Im Falle der LocationTextExtractionStrategy dieses Kriterium inzwischen gebracht worden ist, in eine Methode der eigenen:

/**
 * Determines if a space character should be inserted between a previous chunk and the current chunk.
 * This method is exposed as a callback so subclasses can fine tune the algorithm for determining whether a space should be inserted or not.
 * By default, this method will insert a space if the there is a gap of more than half the font space character width between the end of the
 * previous chunk and the beginning of the current chunk.  It will also indicate that a space is needed if the starting point of the new chunk 
 * appears *before* the end of the previous chunk (i.e. overlapping text).
 * @param chunk the new chunk being evaluated
 * @param previousChunk the chunk that appeared immediately before the current chunk
 * @return true if the two chunks represent different words (i.e. should have a space between them).  False otherwise.
 */
protected bool IsChunkAtWordBoundary(TextChunk chunk, TextChunk previousChunk) {
    float dist = chunk.DistanceFromEndOf(previousChunk);
    if(dist < -chunk.CharSpaceWidth || dist > chunk.CharSpaceWidth / 2.0f)
        return true;
    return false;
}

Die Absicht, für die Umsetzung dieser in eine Methode, die seine eigene war, nur erfordern einfache Unterklassen der Strategie und überschreiben Sie diese Methode zum einstellen der Heuristik Kriterien. Dies funktioniert im Falle des gleichwertigen iText Java-Klasse, die aber in den port zu iTextSharp leider keine virtual wurde Hinzugefügt, um die Deklaration (ab version 5.4.4). So werden derzeit kopiert die gesamte Strategie ist immer noch notwendig für iTextSharp.

@Bruno, wollen Sie vielleicht sagen, das iText -> iTextSharp-porting-team zu diesem.

Während Sie können eine Feinabstimmung der text-Extraktion auf diese code-Positionen, die Sie sollten sich bewusst sein, dass Sie nicht finden, eine 100 - % - Kriterium hier. Einige Gründe sind:

• Lücken zwischen den Wörtern in dicht eingestellte text kann kleiner sein, als der kerning-und andere Lücken, die für einige optische Wirkung im inneren Worte. Also, es gibt keine one-size-fits-all Faktor hier.
• In PDF-Dateien nicht mit Leerzeichen (als Sie können immer Lücken, das ist möglich), die "die Breite der Leerzeichen" könnte einige zufällige Wert oder nicht bestimmbar!
• Gibt es lustige PDFs missbrauchen, die Leerzeichen Breite (kann individuell gestreckt werden, jederzeit für die operations-Folgen) zu tun, einige tabellarische Formatierung während der Verwendung von Lücken, die für die Wörtertrennung. In einer solchen PDF-Datei den Wert der aktuellen Breite der Leerzeichen nicht ernsthaft verwendet werden, um zu bestimmen, Wort bricht.
• Manchmal findet man s i n g l e Wörter in eine Zeile gedruckt, verteilt für Wert. Diese wird wahrscheinlich analysiert werden, wie eine Sammlung von ein-Buchstaben-Wörter, die von den meisten Heuristiken.

Können Sie besser als die iText-Heuristik und denen der daraus abgeleiteten Verwendung von anderen Konstanten, die unter Berücksichtigung der tatsächlichen visuellen Freiraum zwischen alle Zeichen (mit PDF-rendering oder die font-information-Analyse-Mechanismen), aber für eine wahrnehmbare Verbesserung, die Sie haben zu viel Zeit investieren.

InformationsquelleAutor mkl

using (PdfReader reader = new PdfReader(path))
            {
                StringBuilder text = new StringBuilder();
                StringBuilder textfinal = new StringBuilder();
                String page = "";
                for (int i = 1; i <= reader.NumberOfPages; i++)
                {
                    text.Append(PdfTextExtractor.GetTextFromPage(reader, i));
                    page = PdfTextExtractor.GetTextFromPage(reader, i);
                    string[] lines = page.Split('\n');
                    foreach (string line in lines)
                    {
                        string[] words = line.Split('\n');
                        foreach (string wrd in words)
                        {

                        }
                        textfinal.Append(line);
                        textfinal.Append(Environment.NewLine); 
                    }
                    page = "";
                }
           }

InformationsquelleAutor Swapnil Somkuwar