Как сгруппировать текст по строкам, если есть небольшая разница в положении Y

Использование PdfPig для чтения текста из заказанного PDF-файла, как описано в разделе Получить текст построчно из PDF с помощью C# ответ

  static void GetWordsInReadingOrder(UglyToad.PdfPig.Content.Page page, StringBuilder builder)
  { 
    var words = page.GetWords().ToList();
    var wordsList = page.GetWords().GroupBy(x => x.BoundingBox.Bottom);
    foreach (var word in wordsList)
    {
      bool esimene = true;
      foreach (var item in word)
      {
        if (!esimene)
          builder.Append(' ');
        esimene = false;
        builder.Append($"{item.Text}");
      }
      builder.AppendLine();
    }
  }

Разбивает одну строку PDF на несколько строк, если есть небольшая разница в x.BoundingBox.Bottom. Как добавить некоторый допуск, чтобы при небольшой разнице в позициях Y элементы отображались в одной строке? Вероятно, следует добавить округление

var wordsList = page.GetWords().GroupBy(x => x.BoundingBox.Bottom);

Я создал этот код, чтобы учитывать расстояние от начала строки и сортировать до и после присвоения. Может ли это улучшиться?

var sorted = (from r in page.GetWords()
                    orderby r.BoundingBox.Bottom, r.BoundingBox.Left
                    select r).ToList();

if (sorted.Count == 0)
  return;
List<WordsWithLines> lines = new List<WordsWithLines>();
const double rowHeight = 10;
double lnLastTop = 0;
int lnLastRow = 1;
double csvReaVpos = sorted.First().BoundingBox.Bottom;
foreach (var r in sorted)
{
  if (r.BoundingBox.Bottom >= (lnLastTop + 0.5 * rowHeight) || (r.BoundingBox.Bottom  - csvReaVpos) > rowHeight)
  {
    ++lnLastRow;
    csvReaVpos = r.BoundingBox.Bottom;
  }
  lnLastTop = r.BoundingBox.Bottom;
  lines.Add(new WordsWithLines()
  {
    RowNo = lnLastRow,
    WordElement = r
  });
}
var wordsList = from r in lines
                orderby r.RowNo descending, r.WordElement.BoundingBox.Left
                select r;

int rowNo = wordsList.First().RowNo;
bool first = true;
foreach (var word in wordsList)
{
  if (rowNo != word.RowNo)
  {
    builder.AppendLine();
    first = true;
    rowNo = word.RowNo;
  }
  if (!first)  
      builder.Append(' ');
    builder.Append($"{Core.CharTran(word.WordElement.Text, " ", "_")}");
  first = false;
}

Пожалуйста, не используйте теги PDFBox, если речь не идет о PDFBox.

Tilman Hausherr 07.07.2024 16:39
Стоит ли изучать PHP в 2023-2024 годах?
Стоит ли изучать PHP в 2023-2024 годах?
Привет всем, сегодня я хочу высказать свои соображения по поводу вопроса, который я уже много раз получал в своем сообществе: "Стоит ли изучать PHP в...
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
Поведение ключевого слова "this" в стрелочной функции в сравнении с нормальной функцией
В JavaScript одним из самых запутанных понятий является поведение ключевого слова "this" в стрелочной и обычной функциях.
Приемы CSS-макетирования - floats и Flexbox
Приемы CSS-макетирования - floats и Flexbox
Здравствуйте, друзья-студенты! Готовы совершенствовать свои навыки веб-дизайна? Сегодня в нашем путешествии мы рассмотрим приемы CSS-верстки - в...
Тестирование функциональных ngrx-эффектов в Angular 16 с помощью Jest
В системе управления состояниями ngrx, совместимой с Angular 16, появились функциональные эффекты. Это здорово и делает код определенно легче для...
Концепция локализации и ее применение в приложениях React ⚡️
Концепция локализации и ее применение в приложениях React ⚡️
Локализация - это процесс адаптации приложения к различным языкам и культурным требованиям. Это позволяет пользователям получить опыт, соответствующий...
Пользовательский скаляр GraphQL
Пользовательский скаляр GraphQL
Листовые узлы системы типов GraphQL называются скалярами. Достигнув скалярного типа, невозможно спуститься дальше по иерархии типов. Скалярный тип...
0
1
54
1
Перейти к ответу Данный вопрос помечен как решенный

Ответы 1

Ответ принят как подходящий

Если я правильно понимаю, вы хотели бы иметь какой-то способ помещать объекты в «ведра», если какое-то десятичное/двойное значение «достаточно близко». Для этого я могу предложить довольно простую реализацию:

Просмотрите все рассматриваемые десятичные значения, сначала создайте первое ведро с первым элементом и для каждого следующего элемента проверьте, существует ли соответствующее ведро (на основе максимальной разницы между ними), если такого ведра не существует, создайте новое.

Ниже приведена реализация с примером метода расширения:

public static class Bucketing
{
    public static IEnumerable<IGrouping<double, T>> BucketGroupBy<T>(
        this IEnumerable<T> collection,
        Func<T, double> selector,
        double bucketRange)
    {
        var buckets = GetBuckets(
            collection.Select(selector).ToArray(),
            (x, y) => Math.Abs(x - y) < bucketRange);

        var newSelector = (T x) =>
        {
            var decimalValue = selector(x);
            var bucket = buckets.First(i => i.Value.Contains(decimalValue));
            return bucket.Key;
        };

        return collection.GroupBy(newSelector);
    }

    public static Dictionary<double, double[]> GetBuckets(
        double[] numbers,
        Func<double, double, bool> bucketPredicate)
    {
        var buckets = new Dictionary<double, List<double>>();
        foreach (var number in numbers)
        {
            var existingBucket = buckets.FirstOrDefault(x => bucketPredicate(x.Key, number));

            if (existingBucket.Value is not null)
            {
                existingBucket.Value.Add(number);
                continue;
            }

            buckets.Add(number, new List<double> { number });
        }

        return buckets.ToDictionary(x => x.Key, x => x.Value.ToArray());
    }
}

Я добавил свой код в решение. Будет ли ваш класс Bucketing создавать одинаковые строки? Также после присвоения номеров строк слова должны быть переупорядочены, чтобы расположить их в правильном порядке. Как улучшить этот код?

Andrus 07.07.2024 17:48

Другие вопросы по теме