comment pouvons-nous extraire du texte à partir d'un fichier pdf à l'aide de itextsharp avec des espaces?

Les décors sur le pourquoi de l'espace entre les mots, parfois, n'est pas correctement reconnu par la bibliothèque iText(Sharp) ou d'un autre texte PDF extracteurs, ont été expliquées dans cette réponse à "itext java pdf-texte de création": Ces "espaces" ne sont pas nécessairement créé à l'aide d'un caractère d'espace, mais plutôt à l'aide d'une opération de création d'un petit espace. Ces opérations sont également utilisés à d'autres fins (qui ne casse pas des mots), et un texte extracteur doit utiliser la méthode heuristique pour décider si une telle lacune est un changement de mot ou pas...

En particulier, cela implique que vous n'aurez jamais 100% sécurisé par mot détection de rupture.

Ce que vous pouvez faire, cependant, est d'améliorer l'heuristique utilisée.

iText et iTextSharp de texte standard de l'extraction des stratégies, par exemple, supposons qu'un changement de mot dans une ligne, si

a) il y a un caractère d'espace ou

b) il y a un écart au moins aussi large que la moitié d'un caractère espace.

Élément de a est un succès, mais l'élément b peut souvent échoue dans le cas de zones densément texte. L'OP de la question de la réponse citée ci-dessus obtenu d'assez bons résultats en utilisant un quart de la largeur d'un caractère d'espace à la place.

Vous pouvez modifier ces critères par la copie et la modification de l'extraction de texte de la stratégie de votre choix.

Dans le SimpleTextExtractionStrategy vous trouvez ce critère incorporé dans le renderTextméthode:

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

Dans le cas de la LocationTextExtractionStrategy ce critère quant à lui a été mis dans une méthode qui lui est propre:

/**
 * 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;
}

L'intention de mettre en une méthode de sa propre était simplement nécessitent une simple sous-classement de la stratégie et de la substitution de cette méthode pour ajuster les critères heuristiques. Cela fonctionne bien dans le cas de l'équivalent de la bibliothèque iText classe Java mais pendant le port de iTextSharp malheureusement pas de virtual a été ajouté à la déclaration (de la version 5.4.4). Ainsi, actuellement, la copie de l'ensemble de la stratégie est toujours nécessaire pour iTextSharp.

@Bruno Vous pourriez raconter l'iText -> iTextSharp portage de l'équipe à ce sujet.

Alors que vous pouvez affiner extraction de texte à ces code endroits, vous devriez être conscient que vous ne trouverez pas de 100% d'ici le critère. Certaines raisons sont:

• Les lacunes entre les mots dans des zones densément texte peut être plus petite que le crénage ou d'autres lacunes pour certains effet d'optique à l'intérieur des mots. Ainsi, il n'y a pas de one-size-fits-all facteur ici.
• Dans les fichiers Pdf utilisez pas le caractère d'espace à tous (que vous pouvez toujours utiliser des lacunes, c'est possible), la "largeur d'un caractère espace" pourrait être une valeur aléatoire ou non déterminable à tous!
• Il y a de drôle Pdf abuser de l'espace de la largeur des caractères (qui peuvent individuellement être étendu à tout moment pour les opérations à suivre) pour faire un peu de tableaux, mise en forme tout en utilisant les lacunes de l'analyse lexicale. Dans ce PDF la valeur de la largeur d'un caractère espace ne peut pas sérieusement être utilisée pour déterminer des césures.
• Parfois, vous trouverez s i n g l e des mots dans une ligne imprimée espacées pour l'accent. Ces va probablement être analysée comme une collection de mots d'une lettre par la plupart des heuristiques.

Vous pouvez obtenir mieux que le iText heuristiques et celles qui en ont dérivé à l'aide d'autres constantes en tenant compte de la réelle visuelle de l'espace libre entre tous les personnages (à l'aide de rendu PDF ou des informations de police de mécanismes d'analyse), mais pour une amélioration perceptible que vous avez à investir beaucoup de temps.

OriginalL'auteur 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 = "";
                }
           }

OriginalL'auteur Swapnil Somkuwar