Преобразование пустой пробела в PDFClown

Question

У меня возникла проблема при использовании класса TextExtractor в PDFClown с появлением пустого пробела, также известного как «дискреционная новая строка». Эти символы внедряются случайным образом, но игнорируются в Acrobat Reader. Таким образом, строки, в которых присутствуют эти символы, будут показаны как одна строка в Acrobat, но будут разбиты на многие строки, когда текст будет извлечен, если я укажу '\n' как символ новой строки в TextExtractor.ToString(...).

Похоже, что PDF-клоун просто принимает любой символ пробела и преобразует его в одно пространство или ' '. Есть ли способ обойти это преобразование, чтобы вместо этого был извлечен исходный символ?

Answer 1

После дополнительных исследований выяснилось, что библиотека PDFClown очень затруднительна. Существует несколько вопросов:

• Преобразует большинство форм пробела в одно нормальное пространство персонаж.
• Вставляет пробелы вместо строк новой строки.
• Если вы попытаетесь использовать предоставленные переопределения, чтобы вставить свой собственный символ для пробелов или строк новой строки, внутренние сопоставления символов в извлеченном массиве в поля для каждого отдельного символа будут уничтожены.
• Невозможно правильно декодировать все встроенные шрифты.
• Поскольку он не может правильно декодировать встроенные шрифты, он будет молча пропускать символы из извлеченного текста.
• Нельзя надежно обрабатывать лигатуры или разложение лигатур. Часто молча удалялся из извлеченного текста.

Прийти непосредственно к теме, которую я имел, вы можете обнаружить и удалить эти «ложные» пробельные символы, проверяя их прямоугольник, чтобы увидеть, если они перекрывают другие не пробельные символы, но учитывая все другие вопросы, с библиотека, мой совет использовать вместо этого использование PDFBox.

Если вы используете .NET и хотите использовать PDFBox, вы можете использовать Tika On Dot Net, который является проектом Apache Tika, перенесенным на .NET через IKVM.

Apache Tika - это коллекция других библиотек, включая PDFBox. В настоящее время Tika On Dot Net имеет PDFBox 1.8.10, а также пакет Nuget, который упрощает добавление в ваш проект.

У меня был проект на 1,5 недели сверх установленного срока, потому что все эти проблемы были обнаружены на полпути, что потребовало полной перезаписи. Просто голова.