Android Studio 上的 PDFBox 文本提取连字“fi”、“fl”问题

Question

我正在 Android Studio 库上使用https://github.com/TomRoush/PdfBox-Android PDFBox 从 PDF 文档中提取文本。这就是我正在做的事情：

\n\n

File pdf_file = new File(file_path);\n

\n\n

创建文件，然后

\n\n

PDDocument document = null;\ndocument = PDDocument.load(pdf_file);\n

\n\n

将文件加载到 PDDocument 对象中，然后

\n\n

PDFTextStripper pdfStripper = new PDFTextStripper();\npdfStripper.setStartPage(...);\npdfStripper.setEndPage(...);\nString page_text = pdfStripper.getText(document);\n

\n\n

获取页面的文本内容。问题是，例如，当出现“firm”一词时，它会显示为“fi rm”。它基本上在 fi 之后放置一个空格（我猜 fls 和其他连字）。我尝试阅读此Problems with extracting OpenTypeFont text using pdfBox但我不明白如何解决它。没有解决方案的详细信息。

\n\n

重要提示：事实证明，在我的 PDF 文件中，我没有任何连字，例如 \xef\xac\x81，但我有常规 fi，但后面有空格。解决方案尚不清楚。

\n\n

PDF文件：https://wetransfer.com/downloads/09e9036dda4a7962ccad32b1cbcd8edc20200506050349/ab4752

\n

Answer 1

\n

问题是，例如，当出现“firm”一词时，它会显示为“fi rm”。

\n

\n\n

原因很简单：“fi”后面有一个空格！

\n\n

这是文本绘制指令，绘制示例文件中第一次出现“firm”的线条：

\n\n\n\n

 [( )360.3(Mr Dursley was the director of a \xe2\x80\x9c)250( )110.3(rm called Grunnings, )]TJ\n

\n\n

字节\xe2\x80\x9c(147) 通过字体编码映射到字形名称fi，并通过字体的ToUnicode映射映射到 Unicode 字符 U+fb01（拉丁小连字 fi）。

\n\n

因此，PDF 查看器显示连字字形\xef\xac\x81，文本提取器提取 Unicode 连字字符\xef\xac\x81或扩展后的字符f和i。

\n\n

在该连字之后，绘制下一个字形的起点向左移动 250 个单位，然后绘制一个空格，然后将下一个起点向左移动 110.3 个单位，然后绘制“rm”。

\n\n

因此，您在查看器中看不到“fi”和“rm”之间的间隙（因为向左移动抵消了空格字形的绘制），但文本提取器提取了空格字符（因为它在那里）。

\n\n

您可以检查这不是 PDFBox 的怪癖，例如，带有复制和粘贴功能的 Adob​​e Reader 将该文本行提取为

\n\n

Mr Dursley was the director of a fi rm called Grunnings,\n

\n\n

就像 PDFBox 一样，它扩展连字并提取空格字符。

\n