从提取的PDF文本中删除多余的空格

Question

我从PDF文件中提取了文本,并且一些文本在单词之间有额外的空格.

你的水和废水声明

我写了一个函数来从上面的文本中删除多余的空格.

function removeExtraWhitespace($val) {
    $nval = "";

    for($i = 0; $i < strlen($val); $i++) {
        if($val[$i] != " ") {
            $nval .= $val[$i];
        }
        else if((isset($val[$i-2]) && $val[$i-2] != " ") || (isset($val[$i+2]) && $val[$i+2] != " ")) {
            $nval .= $val[$i];
        }
    }
    return $nval;
}

哪个会输出:

你的水和废水声明

我知道这个功能在所有情况下都不会起作用.如果文本有一个有效的1个字母的单词,如'a',那么它将失败,或者如果只有一个单词的一部分有额外的空格.

我需要从字符串中删除空格

将上述文本放入我的函数时,它将输出:

我想从字符串中删除空格

有没有办法制作一个可以处理所有可能文本的函数？

Answer 1

拼写纠正是一项艰苦的工作。我认为你应该使用在线拼写纠正网站。你可以这样做：

function curl($post)
{
    $user_agent = 'Mozilla/5.0 (Windows; U; Windows NT 5.1; tr; rv:1.9.0.6) Gecko/2009011913 Firefox/3.0.6';
    $ch = curl_init();
    curl_setopt($ch, CURLOPT_URL, 'http://orthographe.reverso.net/RISpellerWS/RestSpeller.svc/v1/CheckSpellingAsXml/language=eng?outputFormat=json&doReplacements=false&interfLang=en&dictionary=both&spellOrigin=interactive&includeSpellCheckUnits=true&includeExtraInfo=true&isStandaloneSpeller=true');
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
    curl_setopt($ch, CURLOPT_POST, true);
    curl_setopt($ch, CURLOPT_POSTFIELDS, $post);
    curl_setopt($ch, CURLOPT_USERAGENT, $user_agent);
    curl_setopt($ch, CURLOPT_HTTPHEADER, array(
        'Created: 01/01/0001 00:00:00',
        'Referer: http://www.reverso.net/spell-checker/english-spelling-grammar/',
        'Username: OnlineSpellerWS'
    ));
    $icerik = curl_exec($ch);
    curl_close($ch);
    return $icerik;
}


$response   = json_decode(curl('Ineed to remove whitespaces froma string'));

var_dump($response->AutoCorrectedText);

这只是为了想法。我确信有提供 API 的拼写纠正网站。