PDFClown中的空白轉換

Question

在PDFClown中使用TextExtractor類時遇到問題，出現空白也稱為“自由換行符”。 這些字符被隨機嵌入，但在Acrobat Reader中被忽略。 因此，如果我在TextExtractor.ToString(...)中將'\\n'指定為換行符，則這些字符所在的行在Acrobat中將顯示為單行，但在提取文本時會分成多行。

看來，PDF小丑只是采用了任何空白字符並將其轉換為單個空格或' ' 。 有沒有一種方法可以繞過這種轉換，從而提取原始字符？

Answer 1

經過更多研究，看來PDFClown庫是非常有問題的。 有幾個問題：

• 將大多數形式的空格字符轉換為單個普通空格字符。
• 插入空格而不是換行符。
• 如果嘗試使用提供的替代為空格或換行符插入您自己的字符，則提取數組中的字符到每個單個字符的框的內部映射都會被破壞。
• 無法正確解碼所有嵌入的字體。
• 由於它無法正確解碼嵌入的字體，因此它將默默地省略提取文本中的字符。
• 無法可靠地處理連字或連字的分解。 通常從提取的文本中完全無聲地刪除。

為了直接解決我遇到的問題，您可以通過檢查其邊界矩形來檢測並刪除這些“假”空白字符，以查看它們是否與其他非空白字符重疊，但是鑒於該庫的所有其他問題，我的使用建議使用PDFBox代替。

如果您使用的是.NET，而您想使用PDFBox ，則可以使用Tika On Dot Net ，它是通過IKVM移交給.NET的Apache Tika項目。

Apache Tika是其他庫的集合，包括PDFBox。 Tika On Dot Net當前具有PDFBox 1.8.10，並且還具有一個Nuget軟件包，可輕松添加到您的項目中。

我的項目比截止日期提前了1.5周，因為所有這些問題都是在中途發現的，因此需要完全重寫。 只是抬頭。