從緊密排列的表中提取不按順序的文字
Curtis Chau
Updated: 2026年6月10日
從緊密排列的表或表單佈局中提取的文字顯得混亂。 鄰近行的字元交錯，例如"Unique Number 123456789"被提取為"U123456789nique Number"。
這是page.Lines提取密集佈局的一個已知限制。 page.Lines通過內建的不可配置的垂直容差來分組字元。 當表格單元格中兩行可見行只有一兩點距離時，分組器將兩行合併為一條邏輯線，並從左至右排序字元，將它們交錯排列。 ExtractTextFromPage(i)方法預設為內容流順序，這可能與表單PDF中的視覺閱讀順序不一致。
解決方案
建議：使用可調節容差的TextChunks提取
每個BoundingBox，允許按垂直位置分組，並在每行內按水平位置排序：
using IronPdf.Pages;
using System;
using System.Linq;
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
Imports System.Linq
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 = 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 FunctionImports IronPdf.Pages
Imports System
Imports System.Linq
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 = 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 Function從rowTolerance = 2.0開始。 如果行仍然合併，將其降低到0.5。 為更精細的控制，將page.TextChunks。
替代方案：視覺順序提取
對於只有內容流順序錯誤的PDF：
pdf.ExtractTextFromPage(i, TextExtractionOrder.VisualOrder);pdf.ExtractTextFromPage(i, TextExtractionOrder.VisualOrder);pdf.ExtractTextFromPage(i, TextExtractionOrder.VisualOrder)pdf.ExtractTextFromPage(i, TextExtractionOrder.VisualOrder)對於行在視覺上非常接近的PDF，TextChunks方法能更好地處理緊密容差。
Curtis Chau擁有Carleton大學的電腦科學學士學位，專精於前端開發，擁有Node.js、TypeScript、JavaScript和React的專業知識。Curtis熱衷於建立直觀且美觀的使用者介面，喜愛使用現代框架並建立結構良好、視覺吸引力的手冊。
