PDF 提取中缺少表格布局信息

Question

我已经研究过从 PDF 中进行文本提取/数据提取并使用其他一些堆栈溢出答案来寻求帮助，我设置的是 Tika 通过自定义 ContentHandlerDecorator 解析 pdf，该自定义 ContentHandlerDecorator 使用 sax 事件来解析内容。我遇到了一个问题，虽然在 PDF 查看器中查看 pdf 时包含按行和列排列的数据表，但该信息似乎只是没有从 pdf 中提取，或者我看不到如何使用蒂卡/萨克斯。

这是我看到的一个例子：

像上面这样的表给了我这个（当我只是串起萨克斯事件时）

START http://www.w3.org/1999/xhtml, div, , div, class = page; 
START http://www.w3.org/1999/xhtml, p, , p, 
END http://www.w3.org/1999/xhtml, p, , p
WHITESPACE[
], 0, 1

START http://www.w3.org/1999/xhtml, p, , p, 
CHARS [I, n, f], 0, 3
WHITESPACE[
], 0, 1
CHARS [o], 0, 1
WHITESPACE[
], 0, 1
END http://www.w3.org/1999/xhtml, p, , p

START http://www.w3.org/1999/xhtml, p, , p, 
CHARS [I, n, f, o], 0, 4
CHARS [ ], 0, 1
CHARS [H, 1], 0, 2
CHARS [ ], 0, 1
CHARS [H, 2], 0, 2
CHARS [ ], 0, 1
CHARS [H, 3], 0, 2
CHARS [ ], 0, 1
CHARS [H, 4], 0, 2
WHITESPACE[
], 0, 1
END http://www.w3.org/1999/xhtml, p, , p

// Start of Second Row
START http://www.w3.org/1999/xhtml, p, , p, 
CHARS [1], 0, 1
CHARS [I, n, f, 1], 0, 4
WHITESPACE[
], 0, 1
CHARS [I, n, f, 2], 0, 4
WHITESPACE[
], 0, 1
END http://www.w3.org/1999/xhtml, p, , p

START http://www.w3.org/1999/xhtml, p, , p, 
CHARS [I, n, f, 3], 0, 4
WHITESPACE[
], 0, 1
END http://www.w3.org/1999/xhtml, p, , p

START http://www.w3.org/1999/xhtml, p, , p, 
CHARS [D, 1], 0, 2
CHARS [ ], 0, 1 
CHARS [D, 4], 0, 2
END http://www.w3.org/1999/xhtml, p, , p

由于段落看似随机的结尾，没有指示何时开始新行，并且在第二行的情况下，尽管空列的数据显示为查看器。

很抱歉，我无法提供 pdf，但我正在寻找有关这些额外格式/布局数据存储或可以提取的位置的任何信息，因为我从 Tika 获得的信息明显缺失。任何段落中都没有任何属性。

如果有帮助，我知道 PDF 是使用 iText 生成的，正如我在元数据中看到的那样，但是在试用 iText 时，它似乎没有提供一种以编程方式打开和解析 pdf 而不提供某种形式的方法预制的提取模板，我不想这样做。

Answer 1

SAX 信息对于获取您想要的信息几乎毫无用处。 IIRC，iText 有一个文本提取 API，您需要它提供的位置信息来确定给定的文本位在哪一列中。

看看 iText 的SimpleTextExtractionStrategy。您需要构建类似的东西，关注eventOccurred()，寻找EventType.RENDER_TEXT。当您收到文本呈现事件时，您需要查看IEventData 参数转换为TextRenderInfo，并找出它在页面（和表格中）的位置，如果它在表格中，等等.

根据位置信息，您必须推断出每条文本来自哪一列。不要依赖以逻辑顺序出现的信息。不要依赖文本让单元格出现在单个渲染事件中。

注意：我对 pdfbox、sax 或 apache-tika 几乎一无所知，因此很可能有一种不那么“自己动手”的方式来做这件事。例如，您可以调整 Tika 的输出以提供定位信息（绝对或相对）。此信息可能来自类似于SimpleTextExtractionStrategy 的东西。

很好的狩猎。