使用itext从pdf提取数学文本

Question

我有一本pdf教科书，里面有这样的数学方程式：

但是，如果我尝试进行简单的文本提取，则会得到以下信息：V（r）=-3--2R R2这不是图像，而是文本，但我不知道如何保留其外观并将实际字符输入文本文件。

Answer 1

您遇到的问题是一个经常遇到的问题。 PDF本质上并不关心结构。 它没有列，段落，一行文本甚至一个单词的概念，更不用说具有许多特殊格式的数学公式了。

实际上，PDF仅对将内容放置在页面上的特定位置感兴趣。 这也正是您的公式所执行的操作，它将使用公式所需的字符和图形并将它们放在页面上的某个位置。 在没有其他知识的情况下，您以后便可以使用这些信息来确定这些字符和图形甚至属于公式。 更不用说在进行文本提取时重建它了。

另外两点：

1）如果您共享这样一个PDF文档的示例，我们可以看看其中是否包含一些有用的信息，这些信息可以用来更有效地提取此公式； 但机会几乎为零。

2）您还必须从您的角度定义什么是“有用的方法”。 公式无法很好地转换为纯文本文件，因此您可能需要使用MathML之类的东西来存储它们。