如何使用PDFBox提取PDF内容时保留单词间的多空格？

默认PDFBox的文本提取会忽略字符的位置信息，直接按顺序拼接字符，导致原有的多空格排版丢失。要保留排版，需要通过跟踪字符的坐标位置，手动计算字符间的间距并填充空格。

实现步骤 #

1. 自定义PDFTextStripper子类，重写writeString方法——这个方法可以获取到每个字符的精确位置坐标。
2. 跟踪每行字符的X坐标，计算当前字符与前一个字符的水平间距，将间距转换为对应数量的空格。
3. 处理换行逻辑，每行开始时重置位置跟踪。

示例代码（Java） #

import org.apache.pdfbox.pdmodel.PDDocument;
import org.apache.pdfbox.text.PDFTextStripper;
import org.apache.pdfbox.text.TextPosition;

import java.io.File;
import java.io.IOException;
import java.io.Writer;
import java.util.List;

public class LayoutPreservingTextStripper extends PDFTextStripper {
    private float lastX = -1;
    private static final float SPACE_PIXEL_WIDTH = 6; // 根据字体调整，默认按6像素对应一个空格

    public LayoutPreservingTextStripper() throws IOException {
        super();
    }

    @Override
    protected void writeString(String text, List<TextPosition> textPositions) throws IOException {
        Writer writer = getWriter();
        if (writer == null) return;

        for (int i = 0; i < textPositions.size(); i++) {
            TextPosition pos = textPositions.get(i);
            float currentX = pos.getXDirAdj();

            // 不是行首，计算与前一个字符的间距，填充空格
            if (lastX != -1) {
                float gap = currentX - lastX - pos.getWidthDirAdj();
                if (gap > 1) { // 忽略极小间距
                    int spaces = (int) Math.round(gap / SPACE_PIXEL_WIDTH);
                    writer.write(" ".repeat(spaces));
                }
            }

            writer.write(pos.getUnicode());
            lastX = currentX + pos.getWidthDirAdj();
        }
    }

    @Override
    protected void writeLineSeparator() throws IOException {
        super.writeLineSeparator();
        lastX = -1; // 换行后重置X坐标跟踪
    }

    public static void main(String[] args) throws IOException {
        try (PDDocument document = PDDocument.load(new File("your-file.pdf"))) {
            LayoutPreservingTextStripper stripper = new LayoutPreservingTextStripper();
            String extractedText = stripper.getText(document);
            System.out.println(extractedText);
        }
    }
}

关键说明 #

• SPACE_PIXEL_WIDTH：需要根据PDF中字体的实际空格宽度调整，比如如果原PDF的空格宽度是8像素，就改成8，确保填充的空格和原排版匹配。
• 代码通过TextPosition获取每个字符的X坐标和宽度，计算字符间的空白间距，转换为对应数量的空格填充。
• 换行时重置lastX，避免跨行计算间距。

效果 #

使用这个自定义提取器后，提取出的文本会保留原PDF中的多空格排版，接近你期望的输出格式。

内容的提问来源于stack exchange，提问作者iiprateek