iTextSharp 解析表

Question

使用 iTextSharp v5.5.13

我有大量的 PDF 文件需要解析。其中大约 5% 的人有一张表格，里面有我也需要的数据。

表格如下所示：

大多数时候我需要的行被解析为
2 januari 15 januari € 49,49 € 21,57 € 15,09 € 34,39

我可以使用它。我按空间分割，它可以工作。
但有时月份名称有多余的空格：janu ari

我知道我可以重写策略来摆脱这些额外的空间。我已经将它与 pdf 的其余部分 (ITextExtractionStrategy) 一起使用，但对于此表，我使用的是矩形策略：

var rect = new System.util.RectangleJ(70, 425, 460, 200);
RenderFilter[] filter = { new RegionTextRenderFilter(rect) };
ITextExtractionStrategy strategy =
    new FilteredTextRenderListener(new MyLocationTextExtractionStrategy(), filter);
var lines = PdfTextExtractor.GetTextFromPage(reader, pageNumber, strategy).Split('\n');

我的覆盖看起来像这样：

public class MyLocationTextExtractionStrategy : LocationTextExtractionStrategy
{
    protected override bool IsChunkAtWordBoundary(TextChunk chunk, TextChunk previousChunk)
    {
        var dist = chunk.DistanceFromEndOf(previousChunk);
        return dist < -chunk.CharSpaceWidth || dist > chunk.CharSpaceWidth / 2.0f;
    }
}

我在谷歌上找到了这个。但这并不能解决我的问题。
在janu aridist大于-chunk.CharSpaceWidth的情况下，我不知道下一步该怎么做。

请让我知道什么时候我不应该对这个表使用矩形策略，而是使用不同的方法。

Answer 1

如果您在此类表中的数据始终采用相同的格式，那么您可以采用不同的方法：只需接受 MyLocationTextExtractionStrategy 向您抛出的任何数据，然后将该数据处理成某种格式你可以使用。

在这种情况下，您的数据始终是：

• 2组：
  • 1 位或 2 位数字（月份中的某天）
  • 一些字符（月份名称）
• 4 组：
  • 欧元符号
  • 一些数字（至少一个）
  • 逗号
  • 2 位数

在2 januari 15 januari € 49,49 € 21,57 € 15,09 € 34,39 中，空格是分隔符，但对于结构良好的数据，您甚至不需要空格。所以只要删除它们，然后你的数据就会变成2januari15januari€49,49€21,57€15,09€34,39。

现在您可以对一些捕获组使用正则表达式，将您的数据处理成可口的内容。

• 2组：
  • [0-9]{1,2}
  • [a-z]*
• 4 组：
  • €
  • [0-9]{1,}
  • ,
  • [0-9]{2}

正如您在 cmets 中自己写的，一个可能的正则表达式可能是：

new Regex(@"([0-9]{1,2})([a-z]*)([0-9]{1,2})([a-z]*)(€[0-9]{1,},[0-9]{2})(€[0-9]{1,},[0-9]{2})(€[0-9]{1,},[0-9]{2})(€[0-9]{1,},[0-9]{2})")