密集した表からの無順序テキスト抽出
密集した表またはフォームレイアウトから抽出されたテキストは乱雑に見えます。 隣接する行からの文字が混ぜ合わされており、例として"ユニーク番号123456789"が"U123456789nique Number"として抽出されます。
これは、密集したレイアウトに対するpage.Lines抽出の既知の制限です。 page.Linesは、構成できない組み込みの垂直許容差を使用して文字をグループ化します。 表セル内の2つの可視行がわずか1ポイントまたは2つだけ離れて座っている場合、グループ化器は両方の行を1つの論理行に折りたたみ、左から右へ文字を並べ替え、それらを連続して挿入します。 ExtractTextFromPage(i)メソッドはコンテンツストリーム順にデフォルト設定されていますが、フォームPDFでは視覚的な読み順と一致しない場合があります。
解決策
推奨: 調整可能なトレランスでTextChunksを使用する
各BoundingBoxを公開しており、垂直位置でグループ化し、各行内を水平位置で並べ替えることができます：
using IronPdf.Pages;
using System.Text;
static string ExtractTextUsingTextChunks(IPdfPage page, double rowTolerance = 2.0)
{
var rows = page.TextChunks
.Where(c => !string.IsNullOrWhiteSpace(c.Contents))
.GroupBy(c => Math.Round(c.BoundingBox.Top / rowTolerance) * rowTolerance)
.OrderByDescending(g => g.Key);
var extractedText = new StringBuilder();
foreach (var row in rows)
{
var line = string.Join(" ",
row.OrderBy(c => c.BoundingBox.Left)
.Select(c => c.Contents.Trim())
.Where(text => !string.IsNullOrWhiteSpace(text)));
extractedText.AppendLine(line);
}
return extractedText.ToString();
}Imports IronPdf.Pages
Imports System.Text
Private Shared Function ExtractTextUsingTextChunks(page As IPdfPage, Optional rowTolerance As Double = 2.0) As String
Dim rows = page.TextChunks _
.Where(Function(c) Not String.IsNullOrWhiteSpace(c.Contents)) _
.GroupBy(Function(c) Math.Round(c.BoundingBox.Top / rowTolerance) * rowTolerance) _
.OrderByDescending(Function(g) g.Key)
Dim extractedText As New StringBuilder()
For Each row In rows
Dim line = String.Join(" ", row.OrderBy(Function(c) c.BoundingBox.Left) _
.Select(Function(c) c.Contents.Trim()) _
.Where(Function(text) Not String.IsNullOrWhiteSpace(text)))
extractedText.AppendLine(line)
Next
Return extractedText.ToString()
End FunctionrowTolerance = 2.0から始めます。 行がまだ結合される場合は、それを0.5まで下げてください。 より細かな制御のために、page.TextChunksに置き換えます。
代替案: 視覚順序での抽出
コンテンツストリーム順のみが間違っているPDFの場合:
pdf.ExtractTextFromPage(i, TextExtractionOrder.VisualOrder);pdf.ExtractTextFromPage(i, TextExtractionOrder.VisualOrder)行が非常に近接しているPDFの場合、TextChunksアプローチは厳密な許容差をよりうまく処理します。
Curtis Chauは、カールトン大学でコンピュータサイエンスの学士号を取得し、Node.js、TypeScript、JavaScript、およびReactに精通したフロントエンド開発を専門としています。直感的で美しいユーザーインターフェースを作成することに情熱を持ち、Curtisは現代のフレームワークを用いた開発や、構造の良い視覚的に魅力的なマニュアルの作成を楽しんでいます。
