iTextSharp PDF閱讀器準確性

Question

從多頁掃描pdf閱讀文本時，你們有沒有人對iTextSharp的準確性有過體會？

事情是我已經嘗試閱讀pdf，同時在adobe reader中使用基本的搜索功能，也使用iTextSharp。

iTextSharp的設法找到一個給定詞的出現大約50％相比（我稱之爲）由Adobe

[iTextSharp 1000 occ // Adobe Reader >2000] 

100％，這是一個已知的「問題」？

編輯：我應該補充一點：在我搜索的時候，它已經被發現了。

Answer 1

不知道您的具體情況（有問題的PDF，使用的代碼等），我們無法幫助您太多。

但是我可以告訴你，iTextSharp有更多的文字提取器。由於PDF中的文本可以是並且通常是非連續的和非線性的，因此iTextSharp會採用任何連續的字符並構建我們認爲的單詞和句子。然後，它還嘗試將看起來「幾乎放在同一行上」的字符組合起來，並進行相同的操作（例如文字經常與OCR文本的角度略有不同）。還有「空格」應該是簡單的ASCII 32個字符，但通常不是。 iTextSharp會加倍努力，並嘗試計算兩個文本運行是否應該用空格分隔。

Adob​​e可能有進一步的啓發式方法，能夠更多地猜測文本。我的猜測是，他們有一個更大的門檻來猜測組合非線性文本。

Answer 2

正如@ChrisHaas已經解釋過的，沒有代碼和PDF樣本很難具體。

首先，說iTextSharp的設法找到一個給定的字的出現次數的50％左右是iText的（夏普）有點誤導不直接暴露的方法來找到一個PDF和一個特定的文本，因此，實際上找到0％。它僅僅提供了一個框架和一些簡單的文本提取示例。

使用該框架嚴重搜索給定字需要比在結合一些Contains(word)呼叫應用這些簡單的示例用法（由SimpleTextExtractionStrategy提供和LocationTextExtractionStrategy,也使用PdfTextExtractor.GetTextFromPage(myReader, pageNum)當罩下工作）更多。你必須：

• 創造出

  • 有更好的算法來識別哪些字形屬於一個更好的文本提取策略，其行;例如樣本策略可能會完全失敗，對於帶有OCR的文本的掃描頁面，文本行不是100％筆直，而是最小上升;

  • 識別窮人的大膽和類似的結構，並相應地將它們轉換（一個非常小的偏差，達到了一個大膽的字符樣式版印刷在同一封信兩次）;

• 創建一個文本規範化其

  • 解析連字;

  • 統一了語義上相同或類似的字符的字形替代;

• 正常化提取的文本和您的搜索字詞，然後才搜索。

此外，正如@ChrisHaas提到的那樣，要特別注意正文中的空格。

如果創建考慮到這些標準基於iText的文本搜索，你一定會得到一個可以接受的命中率。獲得和Adobe Reader一樣好的工作是一項相當艱鉅的任務，因爲他們已經在這個功能上投入了相當多的資源。

爲了完整起見，您不僅應該搜索頁面內容和從那裏引用的所有內容，而且還應該包含可能包含相當一些文本內容的註釋，這些註釋甚至可能顯示爲頁面的一部分，例如，在自由文本註釋的情況下。