将 PDF 转换为文本时，我可以阻止 ABCpdf 将单词混合在一起（例如 mashingwordstogether）吗？

我正在使用 ABCpdf 提取某些 PDF 文件的文本内容，特别是通过调用 Doc.GetText("Text")。 （您可以在循环中调用它，每页一次。）这通常效果很好，但对于某些 PDF 文件，生成的文本由缺乏空格字符的文本组成，例如

这句话的词与词之间没有任何空格。

有趣的是，如果我尝试使用 Apache Tika（由 PDFBox 提供支持）从完全相同的 PDF 中提取文本，我往往会得到单词之间的所有空格。也就是说，上面的句子将被 Tika 翻译为

这句话的词与词之间没有空格。

总的来说，这两个工具表现得好像它们害怕犯不同的错误——ABCpdf 的表现就像世界上最糟糕的事情就是在不属于的地方插入一个空格，而 Tika 的表现就像世界上最糟糕的事情是插入一个不属于的空格。未能在一个人所属的地方插入一个空格。

有没有什么设置可以让 ABCpdf 在这方面更像 Tika？

简短回答：您可以通过以下方式获取文本的单独标记Doc.GetText("SVG")，解析 XMLTEXT and TSPAN元素，并确定是否存在应被视为实际空间的布局间距。您从 PDFBox 看到的行为可能是他们试图做出这样的假设。此外，甚至 Adob​​e Acrobat 也可以像 PDFBox 一样通过剪贴板返回间隔文本。

长答案：这可能会导致更多问题，因为这可能不是 PDF 中文本的原始意图。

ABCpdf 在这里做的是正确的事情，因为 PDF 规范仅描述了内容应该放置在输出介质中的位置。人们可以构建一个 ABCpdf 以两种风格解释的 PDF 文件，即使原始句子看起来几乎相同。

为了演示这一点，下面是 Adob​​e InDesign 中的文档快照，其中显示了与示例句子的两种情况相匹配的文本布局。

请注意，第一行并不是用实际的空格构建的，而是手动将单词放置在各个文本区域中并排列起来，看起来大约像一个适当间隔的句子。第二行有一个句子，在单个文本区域中，单词之间有实际的文本空间。

当导出为PDF然后用ABCpdf读入时，Doc.GetText("TEXT")将返回以下内容：

ThisSentenceDoesn'tHaveAnySpacesBetweenWords.  
This Sentence Doesn't Have Any Spaces Between Words.

因此，如果您希望检测布局空间，则必须使用 SVG 输出并手动单步执行文本标记。Doc.GetText("SVG")返回 ABCpdf 在页面上看到的文本和其他绘图实体，您可以决定如何处理基于布局的间距的情况。

您将收到与此类似的输出：

<?xml version="1.0" standalone="no"?>
<svg width="612" height="792" x="0" y="0" version="1.1" baseProfile="full" xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink">
<text xml:space="preserve" x="36" y="46.1924" font-size="14" font-family="ArialMT" textLength="26.446" transform="translate(36, 46.1924) translate(-36, -46.1924)">This</text>
<text xml:space="preserve" x="66.002" y="46.1924" font-size="14" font-family="ArialMT" textLength="59.15" transform="translate(66.002, 46.1924) translate(-66.002, -46.1924)">Sentence</text>
<text xml:space="preserve" x="129.604" y="46.1924" font-size="14" font-family="ArialMT" textLength="47.46" transform="translate(129.604, 46.1924) translate(-129.604, -46.1924)">Doesn&#8217;t</text>
<text xml:space="preserve" x="181.208" y="46.1924" font-size="14" font-family="ArialMT" textLength="32.676" transform="translate(181.208, 46.1924) translate(-181.208, -46.1924)">Have</text>
<text xml:space="preserve" x="219.61" y="46.1924" font-size="14" font-family="ArialMT" textLength="24.122" transform="translate(219.61, 46.1924) translate(-219.61, -46.1924)">Any</text>
<text xml:space="preserve" x="249.612" y="46.1924" font-size="14" font-family="ArialMT" textLength="46.69" transform="translate(249.612, 46.1924) translate(-249.612, -46.1924)">Spaces</text>
<text xml:space="preserve" x="301.216" y="46.1924" font-size="14" font-family="ArialMT" textLength="54.474" transform="translate(301.216, 46.1924) translate(-301.216, -46.1924)">Between</text>
<text xml:space="preserve" x="360.016" y="46.1924" font-size="14" font-family="ArialMT" transform="translate(360.016, 46.1924) translate(-360.016, -46.1924)"><tspan textLength="13.216">W</tspan><tspan dx="-0.252" textLength="31.122">ords.</tspan></text>
<text xml:space="preserve" x="36.014" y="141.9944" font-size="14" font-family="ArialMT" transform="translate(36.014, 141.9944) translate(-36.014, -141.9944)">
<tspan textLength="181.3">This Sentence Doesn&#8217;t Have </tspan><tspan dx="-0.756" textLength="150.178">Any Spaces Between W</tspan><tspan dx="-0.252" textLength="31.122">ords.</tspan></text>
</svg>

请注意，基本结构揭示了给您带来问题的最初意图。 （xml：删除空格和属性，为了示例而修改空格）

<?xml version="1.0" standalone="no"?>
<svg>
  <text>This</text>
  <text>Sentence</text>
  <text>Doesn&#8217;t</text>
  <text>Have</text>
  <text>Any</text>
  <text>Spaces</text>
  <text>Between</text>
  <text><tspan>W</tspan><tspan>ords.</tspan></text>
  <text>
    <tspan>This Sentence Doesn&#8217;t Have </tspan>
    <tspan>Any Spaces Between W</tspan>
    <tspan>ords.</tspan>
  </text>
</svg>