帶有字體和樣式的iText PDF文本提取

Question

我正在使用iText將PDF中的文本提取到字符串中，但是某些PDF遇到了問題。 當我嘗試提取文本時，讀者只能提取一些pdf上的空白/被破壞的文本。

損壞的文字示例：

“對於延長運動時間來說太長了”

這個問題是什么原因造成的？

我正在考慮刪除字體並將字體更改為適合讀者閱讀的字體。 我曾嘗試對此進行研究，但發現對我沒有幫助。

Answer 1

這是由文本在PDF文件中的存儲方式引起的。 它只是將字母與渲染和位置信息放在一起。 文本提取算法很聰明，因為它可以找到看起來很靠近的字母，如果可以的話，可以將它們放在一起。 如果它們之間的距離不那么近，它將放置一些空間。

不過，我無法告訴您該怎么辦。