使用iTextSharp读取已OCR的PDF时文本异常换行的原因排查

我之前处理OCR生成的PDF表格文本提取时也踩过这个坑，核心问题出在你用的SimpleTextExtractionStrategy的换行判断逻辑和视觉上的“同一行”不匹配，具体原因和解决办法如下：

为什么会出现奇怪的换行？ #

• OCR生成的文本块位置有细微偏差：大多数OCR工具输出PDF时，会把同一视觉行的文本拆成多个独立的文本块，而且这些文本块的Y轴坐标可能存在肉眼察觉不到的微小差异。Simple策略默认会根据文本块的Y坐标变化来插入换行，只要差值超过它的内置阈值，就会判定为新行，哪怕视觉上是同一行。
• 文本块的绘制顺序不符合视觉逻辑：有些OCR生成的PDF里，文本块的绘制顺序不是从左到右依次排列，比如先画了"FULE DATE"，接着跳到其他区域画了别的内容，再回来画"SUBCATEGORY"。Simple策略会严格按照文本块的绘制顺序拼接，中间插入换行符，完全忽略视觉位置。

解决办法 #

1. 改用LocationTextExtractionStrategy（最推荐） #

这个策略专门针对位置排序的文本提取，会把Y坐标接近的文本块归为同一行，比Simple策略更适合表格类内容。修改你的代码只需要替换提取策略：

public static string ExtractTextFromPdf(string path) 
{ 
    using (PdfReader reader = new PdfReader(path)) 
    { 
        StringBuilder t = new StringBuilder(); 
        for(int i = 1; i <= reader.NumberOfPages; i++) 
        { 
            // 替换为Location文本提取策略
            t.Append(PdfTextExtractor.GetTextFromPage(reader, i, new LocationTextExtractionStrategy())); 
        } 
        return t.ToString(); 
    } 
}

2. 自定义策略调整换行阈值 #

如果Location策略还是存在少量误判，可以自定义策略，调整判断换行的Y坐标差值阈值：

public class CustomLocationStrategy : LocationTextExtractionStrategy
{
    // 自定义Y坐标差值阈值，单位是PDF用户单位，可根据你的PDF实际调整
    private const float Y_DIFF_THRESHOLD = 2f;

    protected override bool IsChunkAtNewline(TextChunk chunk, TextChunk previousChunk)
    {
        float yDiff = Math.Abs(chunk.Location.Y - previousChunk.Location.Y);
        // 当Y差值小于阈值时，判定为同一行，不插入换行
        return yDiff > Y_DIFF_THRESHOLD;
    }
}

使用时替换成new CustomLocationStrategy()即可。

3. 后处理提取的文本 #

如果上面的方法都无法完全解决，可以对提取后的文本做后处理：比如把所有换行符替换成空格，再根据你已知的表格列结构（比如固定的列名）重新整理内容，或者用正则表达式合并那些应该在同一行的字段。

内容的提问来源于stack exchange，提问作者Giardino