使用pdfparser读取PDF时地址行拆分问题及合并需求

问题场景 #

使用pdfparser读取动态生成的PDF时，地址行因长度限制被拆分为多行，每行带有换行符，且地址长度不同导致拆分行数不固定，需要将完整地址合并为一行。

解决方案 #

方法1：基于文本特征的正则替换 #

如果地址前后有明确的标识（比如地址前有"Address:"，后有"Phone:"这类固定字段），可以用正则匹配地址范围并替换内部换行。

修改后的代码示例：

$fileName = basename($_FILES["file"]["name"]); 
$fileType = pathinfo($fileName, PATHINFO_EXTENSION); 

// Allow certain file formats 
$allowTypes = array('pdf'); 
if(in_array($fileType, $allowTypes)){ 
   // Include autoloader file 
   include 'vendor/autoload.php';
             
   // Initialize and load PDF Parser library 
   $parser = new \Smalot\PdfParser\Parser(); 
             
   // Source PDF file to extract text 
   $file = $_FILES["file"]["tmp_name"]; 
             
   // Parse pdf file using Parser library 
   $pdf = $parser->parseFile($file); 
             
   // Extract text from PDF 
   $text = $pdf->getText(); 

   // 合并地址行：匹配Address:到Phone:之间的内容，替换内部换行和多余空格
   $pattern = '/(Address:)(.*?)(?=Phone:)/s';
   $text = preg_replace_callback($pattern, function($matches) {
       $mergedAddress = preg_replace('/\s+/', ' ', $matches[2]);
       return $matches[1] . $mergedAddress;
   }, $text);
             
   // Add line break 
   $pdfText = nl2br($text);
}else{ 
  $statusMsg = '<p>Sorry, only PDF file is allowed to upload.</p>'; 
} 

方法2：利用PDF文本块位置信息合并 #

如果地址拆分是排版自动换行导致的（同一地址的多行左对齐且垂直间距极小），可以通过获取文本块的坐标判断是否属于同一地址。

修改后的代码示例：

$fileName = basename($_FILES["file"]["name"]); 
$fileType = pathinfo($fileName, PATHINFO_EXTENSION); 

// Allow certain file formats 
$allowTypes = array('pdf'); 
if(in_array($fileType, $allowTypes)){ 
   // Include autoloader file 
   include 'vendor/autoload.php';
             
   // Initialize and load PDF Parser library 
   $parser = new \Smalot\PdfParser\Parser(); 
             
   // Source PDF file to extract text 
   $file = $_FILES["file"]["tmp_name"]; 
             
   // Parse pdf file using Parser library 
   $pdf = $parser->parseFile($file); 

   // 获取所有页面
   $pages = $pdf->getPages();
   $mergedText = '';

   foreach ($pages as $page) {
       // 获取页面的文本块（包含内容和位置信息）
       $textBlocks = $page->getTextArray();
       $previousBlock = null;
       $currentAddress = '';

       foreach ($textBlocks as $block) {
           $blockText = trim($block['text']);
           if (empty($blockText)) continue;

           // 判断是否为地址续行：左坐标一致，垂直间距小于阈值（可根据PDF字号调整）
           if ($previousBlock && strpos($previousBlock['text'], 'Address:') !== false) {
               if (abs($block['bbox'][0] - $previousBlock['bbox'][0]) < 2 && 
                   abs($block['bbox'][1] - $previousBlock['bbox'][1]) < 15) {
                   $currentAddress .= ' ' . $blockText;
                   continue;
               } else {
                   $mergedText .= 'Address:' . $currentAddress . "\n";
                   $currentAddress = '';
               }
           }

           $mergedText .= $blockText . "\n";
           $previousBlock = $block;
       }

       // 处理最后一个地址块
       if (!empty($currentAddress)) {
           $mergedText .= 'Address:' . $currentAddress . "\n";
       }
   }

   // 转换为HTML换行
   $pdfText = nl2br($mergedText);
}else{ 
  $statusMsg = '<p>Sorry, only PDF file is allowed to upload.</p>'; 
} 

方法3：通用换行合并（无明确标识场景） #

如果地址本身不应有换行，且PDF中仅地址会被拆分，可以替换单个换行符为空格（保留段落间的空行）：

// 在提取文本后添加：
$text = preg_replace('/(?<!\n)\n(?!\n)/', ' ', $text);

注意：此方法可能误合并其他单行换行，需根据实际PDF内容调整。

内容的提问来源于stack exchange，提问作者Chaminda Chanaka