用於在OCR PDF中搜索空格/斷行詞的正則表達式（goo d ni g ht）

Question

我需要搜索許多OCR PDF。 我意識到單詞和句子在視覺上是完美的，但是如果我復制粘貼內容，那么其中的空格將不存在！

我可以在文字中看到： good night

如果我復制並粘貼到某處： goo d ni g ht

考慮到通過Regex表達式處理這種情況的建議，我將不勝感激：

a）用於短字作為簡單的例子\\bgood night\\b為goo d ni g ht

b）句子中有換行符時。 我的意思是，即使段落相同，Regex表達式也無法從PDF中的一行搜索到另一行。 尋找\\bthe sun set and the night comes\\b ，但PDF內容類似於粘貼時的內容：

第1行： t he sun set an d th e

第2行： nig ht co m es

非常感謝，卡杜

Answer 1

單詞中間空格的這種隨機出現可以在PDF中發生。 其背后的原因是PDF實際上是復雜的格式。 您會看到，PDF文檔實際上是在查看器中呈現文本的說明容器。

想象一下這樣的指令：

• 轉到位置50、50。
• 畫出字符“ G”
• 轉到位置56、50。
• 畫出字符“ O”
• 等等

每當您在查看器中選擇某項內容（例如Adobe）時，該程序就必須找出與您的選擇內容重疊的內容（這已經不是一個容易的問題了）。 如果是文本，則需要確定在何處添加空格和換行符。 不同的查看器（或軟件）可能為此使用不同的指標。 例如，一個典型的例子是“如果兩個字符比同一字體中的空格字符的寬度更遠，則插入一個空格”

關鍵是，從PDF文檔中提取文本始終是一種猜測。 而且，如果您添加的事實是它是OCR PDF，那么您將添加更多的困難。