Borb при чтении pdf приводит к пробелам между всеми буквами

Отказ от ответственности: я автор borb

PDF-документ на самом деле не содержит текста как есть. Он содержит инструкции по рендерингу, которые будет выполнять такая программа, как Adobe Reader. Эти инструкции дают нечто, что человек может интерпретировать как текст.

Например:

• перейти на позицию 30, 50
• использовать шрифт Helvetica
• установить цвет на черный
• визуализировать символы «Привет»
• перейти на 36, 50
• визуализировать персонажей "Мир"

Вы заметите, что пробел в «Hello World» явно отсутствует в инструкциях по рендерингу. Возможно. Но не обязательно. И многие инструменты для создания PDF-файлов предпочитают не вставлять пробел, а перемещать курсор рисования.

Теперь, что это означает для извлечения текста, так это то, что программное обеспечение, такое как borb, должно угадать, когда вставить пробел.

Он может сказать, как далеко друг от друга находятся ограничивающие прямоугольники двух символов.

Конечно, если символ пробела не используется в инструкциях по рендерингу, он может не быть включен в информацию о шрифте. Это называется поднабором шрифта. Где создается специализированный шрифт, содержащий только фактически используемые символы.

Когда это происходит, borb не знает, насколько широким должен быть символ пробела.

borb попробуем разные эвристики:

• проверка, является ли шрифт моноширинным
• проверка того, определено ли достаточно других символов (например, «пробел в два раза шире символа «i»)
• вернуться к умолчанию

Если вы посмотрите на код SimpleTextExtraction, вы сможете увидеть эту логику в действии.

Я предлагаю вам подклассировать этот класс и изменить его, чтобы вы (пользователь) могли определить приемлемую ширину символа пробела.

В частности, взгляните на эта линия.