如何避免pdfbox附加單詞

Question

我正在製作一個應用程序，它允許使用apache Solr搜索pdf。我無法在pdf中查找某些術語。

我注意到列中的單詞被追加了。

例

Column1 | Column2 
stack | overflow 

這裏PdftextStripper有時會給予我的StackOverflow作爲提取的文本。這會導致solr中的不良tokinazation，從而無法找到該術語。 （是的，我知道我可以使用通配符，但這不適用於短語查詢）

我一直在尋找來源，看看是什麼原因造成的問題。但是，似乎writePage方法必須猜測空格。因爲它看起來非常複雜，所以我無法改變這一點。

是否有任何其他解決方案可以使用列從pdf中獲取良好的文本提取？

• 也許某種轉換其他程序。
• 也許補丁爲pdfbox。
• 是的我見過類似的 問題，但他們主要處理提取的順序（這在 我的情況並不重要）。

Answer 1

我在用PDFbox提取文本時遇到同樣的問題。我通過獲取每個角色的位置信息解決了這個問題。我把每個角色的x位置和y位置。並實現了一個簡單的邏輯來區分單詞。在此之前，我的詞定義只是「」（空間）。我又添加了一個邏輯，即如果兩個字符的X位置的差異超過了某個值（這個值將是您的選擇），並且它在同一行中，即相同的y座標（不同的y座標意味着新詞），我把它們當作一個新詞來對待。有了這個邏輯，我能夠解決表格內容，新行等問題。

這link將幫助您獲得PDF格式的PDF字符的位置。