使用iText for .NET读取PDF时如何避免单词中出现虚假空格

问题根源 #

PDF文本渲染时，部分字符可能被单独定位绘制，即使视觉上属于同一个单词，默认提取策略也可能因字符间距的判断阈值问题，误将其识别为单词边界并插入空格。

自定义提取策略实现 #

通过继承LocationTextExtractionStrategy并重写IsChunkAtWordBoundary方法，调整字符间距的判断阈值，过滤虚假空格：

using iText.Kernel.Pdf.Canvas.Parser;
using iText.Kernel.Pdf.Canvas.Parser.Data;
using iText.Kernel.Pdf.Canvas.Parser.Listener;

public class CustomNoFalseSpaceStrategy : LocationTextExtractionStrategy
{
    // 自定义间距阈值（可根据实际PDF调整，单位是用户空间单位）
    private const float SPACE_THRESHOLD = 0.1f;

    protected override bool IsChunkAtWordBoundary(ITextChunkLocation chunk, ITextChunkLocation previousChunk)
    {
        // 计算两个字符块的水平间距
        float distance = chunk.GetStartLocation()[0] - previousChunk.GetEndLocation()[0];
        
        // 如果间距小于阈值，判定为同一单词的一部分，不添加空格
        if (distance < SPACE_THRESHOLD)
        {
            return false;
        }
        
        // 其他情况沿用默认判断逻辑
        return base.IsChunkAtWordBoundary(chunk, previousChunk);
    }
}

使用自定义策略提取文本 #

修改原有代码，指定使用自定义策略：

using iText.Kernel.Pdf;
using iText.Kernel.Pdf.Canvas.Parser;

var pdfDocument = new PdfDocument(new PdfReader("TestFile.pdf"));
var page = pdfDocument.GetPage(1);

// 使用自定义策略提取文本
var strategy = new CustomNoFalseSpaceStrategy();
var text = PdfTextExtractor.GetTextFromPage(page, strategy);

pdfDocument.Close();

注意事项 #

• SPACE_THRESHOLD的值需要根据目标PDF调整：如果仍有虚假空格，可适当降低阈值；如果原本正常的空格被合并，可适当提高阈值。
• 部分PDF的字符定位逻辑特殊，若上述方法无效，可尝试重写EventOccurred方法，直接处理每个字符的位置和内容，自定义拼接规则。

内容的提问来源于stack exchange，提问作者payetools-steve