Adobe Acrobat复制PDF文本时的断词启发式策略探究

在PDF内容流无空格字符、字体也无空格字形的场景下，Acrobat不像pdf.js那样硬编码固定尺寸来断词，而是靠下面这些务实的启发式方法判断单词边界，复制时自动补空格：

• 以字体自身的空格基准为参照：从字体的度量表（比如Widths表）推导标准空格宽度（一般是字体em单位的1/4到1/3），将这个值的1.5-2倍设为阈值——当两个相邻字符的实际间距超过该阈值时，判定为单词分隔，复制时插入空格。
• 按字符类别和语言习惯调整：比如英文语境中，字母与标点、数字的间距逻辑不同：字母后跟句号、逗号的间距通常小于单词内字符间距，但字母接数字时会按语言习惯调整阈值；遇到连字符、短横线这类天然词分界标记，直接判定为单词边界。
• 统计页面字符间距的普遍规律：先扫描页面内所有字符的间距，找出最常见的「单词内间距」范围，显著大于该范围的间距即判定为单词间隙。比如页面中绝大多数字符间距在10-15单位，突然出现30单位的间距，就会被识别为单词分隔。
• 匹配常用单词组合：如果相邻字符序列能组成常见英文单词，即便间距稍大也不会拆分；反之，若拆分后的两段均为合理单词，则更倾向于判定为单词边界。
• 结合排版对齐方式修正：左对齐文本的单词间距通常均匀，而右对齐或两端对齐文本可能存在拉伸间距，此时会先排除因对齐产生的强制拉伸，再用自然间距判断单词边界。

内容的提问来源于stack exchange，提问作者ceztko