Apryse OCR(PDFTron.NET 11.3.0)文本提取乱序及表格提取问询

一、文本提取乱序的排查与修复 #

1. 排序策略问题 #

默认文本提取基于文本块坐标排序，若未指定符合阅读逻辑的排序规则，表格区域的表头、内容块可能因坐标计算偏差导致顺序错乱。需确保提取时启用自然阅读顺序排序（从上到下、从左到右）。

2. 代码实现优化 #

如果你的代码仅用基础的ExtractText()方法，这类方法不处理表格结构，仅按文本块物理位置拼接，容易出现乱序。改用TextExtractor并设置排序模式：

using (PDFDoc doc = new PDFDoc(inputPath))
{
    doc.InitSecurityHandler();
    // 先执行OCR（扫描PDF必须步骤）
    OCRModule.ProcessPage(doc.GetPage(1), OCRModule.OCRParams());
    
    TextExtractor txtExtractor = new TextExtractor();
    // 设置按阅读顺序排序
    txtExtractor.SetSortMode(TextExtractor.SortMode.e_sort_by_position);
    txtExtractor.Begin(doc.GetPage(1));
    string extractedText = txtExtractor.GetAsText();
}

注意：扫描PDF必须先完成OCR识别，否则提取的是无结构的图像文本，必然乱序。

3. 图像预处理 #

若原扫描件存在倾斜、变形，OCR识别出的文本块坐标会偏移，导致排序错误。可先调用ImagePreprocessingModule.Deskew纠正页面倾斜后再执行OCR。

二、表格结构化提取支持情况 #

Apryse PDFTron 11.3.0完全支持表格识别与结构化提取，可保留文本与表格的先后顺序，并输出带<Table>标签的结构化内容。

1. 结构化提取实现 #

使用StructuredOutputModule提取包含表格结构的内容，示例代码：

using (PDFDoc doc = new PDFDoc(inputPath))
{
    doc.InitSecurityHandler();
    // 执行OCR（扫描PDF必备）
    OCRModule ocr = new OCRModule();
    ocr.StartOCR(doc, "", OCRModule.OCRParams());
    
    StructuredOutputModule structOutput = new StructuredOutputModule();
    var options = new StructuredOutputModule.Options();
    options.SetIncludeTables(true); // 启用表格识别
    options.SetOutputFormat(StructuredOutputModule.OutputFormat.e_XML); // 输出XML格式
    
    string xmlContent = structOutput.Process(doc, options);
    // 输出内容中会包含<Table>、<TR>、<TD>等标签，严格保留原文档顺序
}

2. 自定义标签调整 #

若需要定制<Table>标签格式，可对提取后的XML结果做二次处理，或通过StructuredOutputModule的高级参数调整输出结构。

内容的提问来源于stack exchange，提问作者Kaif Khan