У меня есть PDF-файлы с текстом в четырех разных ориентациях, таких как горизонтальное выравнивание, вертикальное выравнивание и обратное выравнивание. При использовании PDFBox API для чтения текста из pdf я получаю хороший результат для горизонтально выровненного текста, но не в других случаях. Например, если «курсивное» слово выровнено по горизонтали, вывод будет «курсивным». Если он выровнен по вертикали, то вывод разбивается по строкам как "it a
li c" (здесь "it", "a", "li", "c" находятся в разных строках). Я хочу знать, есть ли способы получить хороший вывод даже для текста с вертикальным и обратным выравниванием.
Как получить направление текста из PDF с помощью PDFBox API
30.05.2016
- К сожалению, вы не делитесь образцом PDF. Хотя есть PDF-шрифты для вертикального письма, я предполагаю, что шрифты в вашем PDF-файле не такого рода. Если мое предположение верно, этот выровненный по вертикали текст на самом деле состоит из кусков обычного, выровненного по горизонтали текста, расположенного на нескольких строках. Таким образом, вывод, разбивающийся по строкам так, как он есть, будет правильным. 30.05.2016
- Однако, если мое предположение неверно, PDFBox все равно не будет извлекать текст так, как вы хотите, поскольку он реализован с учетом горизонтального текста. Однако в этом случае вам, возможно, повезет переопределить
org.apache.pdfbox.text.PDFTextStripper.writePage()соответственно. 30.05.2016 - Не могли бы вы поделиться кодом, который вы использовали, так как я столкнулся с аналогичной проблемой. 06.12.2017
Ответы:
1
Вы можете переопределить метод processTextPosition() PDFTextStripper и написать логику для получения значений направления, x и y для каждого символа. Сгруппировав символы по их направлению, вы можете обрезать их по отдельности.
20.07.2016
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально
Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение
Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования
Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv)
Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..