iText：使用LocationTextExtractionStrategy从pdf文件中提取的文本顺序错误

Question

我正在使用iText从pdf文件中的特定位置提取一些文本。为了做到这一点，我正在使用LocationTextExtractionStrategy：

public static void main(String[] args) throws Exception {

    PdfReader pdfReader = new PdfReader("location_text_extraction_test.pdf");

    Rectangle rectangle = new Rectangle(38, 0, 516, 516);

    RenderFilter[] filter = {new RegionTextRenderFilter(rectangle)};
    TextExtractionStrategy strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), filter);
    String text = PdfTextExtractor.getTextFromPage(pdfReader, 1, strategy);

    System.out.println(text);

    pdfReader.close();
}

链接到pdf文件

问题在于提取的文本顺序错误：

应该提取为：

Part Description Quantity Unit Price Total For Line Extended Price
Landing Fee 1.00 407.84 $ USD 407.84 407.84 $

提取为：

Total For Line Extended Price
Part Description Quantity Unit Price
1.00 407.84 $ USD 407.84 407.84 $
Landing Fee

请注意，当我在Acrobat中打开pdf时，请使用Ctrl + A选择所有文本，进行复制，然后将其粘贴到文本编辑器中，一切均以正确的顺序进行。

有办法解决问题吗？非常感谢 ;）

Answer 1

造成这种情况的原因很简单，就是“线扩展总价”的y坐标为507.37，而“零件描述数量单价”的y坐标为506.42。

在LocationTextExtractionStrategy仅考虑y坐标的整数部分允许小的变化，但即使整数部分在这里有所不同。因此，它假定前一个标题位于后一个标题的上方，并相应地输出其结果。

如果发生这种变化，通常首先要尝试的是SimpleTextExtractionStrategy。不幸的是，这在这里无济于事，因为前者实际上是在后者之前绘制的。因此，此策略还会以错误的顺序返回标题。

在这种情况下，您需要一种工作原理不同的策略，例如，从以下版本开始使用的策略：Horizo​​ntalTextExtractionStrategy或Horizo​​ntalTextExtractionStrategy2（取决于您的iText版本，前一个取决于iText 5.5.8，后者针对当前的开发代码5.5.9-SNAPSHOT）这个答案。使用它，您将获得

Part Description Quantity Unit Price Total For Line Extended Price
Landing Fee 1.00 407.84 $ USD 407.84 407.84 $
Parking 1.00 101.96$ USD 101.96 101.96$
??? 1.00 51.65$ USD 51.65 51.65$
Pax Baggage Handling Fee 5.00 8.49$ USD 42.45 42.45 $
Pax Airport Tax 5.00 26.36 $ USD 131.80 131.80$
GA terminal for crew on Arr ferry fit 1.00 125.00$ USD 125.00 125.00$
VIP lounge for Pax on Dep. 5.00 124.00$ USD 620.00 620.00 $
GA terminal for crew on dep. 1.00 125.00$ USD 125.00 125.00$
VIP lounge for Guest on Dep. 1.00 38.00$ USD 38.00 38.00 $
Crew transfer on arr 1.00 70.00 $ USD 70.00 70.00 $
Crew transfer on dep 1.00 70.00 $ USD 70.00 70.00 $
Lavatory Service 1.00 75.00 $ USD 75.00 75.00 $
Catering-ISS 1.00 1,324.28 $ USD 1,324.28 1,324.28 $
Ground Handling 1.00 190.00$ USD 190.00 190.00$
Pax Handling 1.00 190.00$ USD 190.00 190.00$
Push Back 1.00 83.00 $ USD 83.00 83.00 $
Towing 1.00 110.00$ USD 110.00 110.00$

（使用TextExtraction测试方法的结果testLocation_text_extraction_test）

但是，不幸的是，如果在不同的并排列中有重叠的行，这些策略将失败，例如，在您的单据中，发票收件人地址及其右侧的信息。

您可以尝试调整水平策略（例如，通过分析分隔列的水平间隙），也可以尝试组合方法，对同一文档使用多种策略的输出。