【追加版】itextpdf读取文本时上下行位置错乱

itextpdf + 相邻行内容错乱

背景： 之前博客中提到抽取PDF中表格数据的时候，spire.pdf无法读取表格外的内容。正常情况使用itextpdf，可以按纯文本形式读取所有内容，但是没有意外的意外又出现了，那就是那些肉眼看起来在一行的内容，使用itextpdf读取后发现，部分字段值要么跑到上面行去了，要么跑到下面行去了，有的却是正常的，这种不确定的现象肯定要解决的，不然线上问题处理不完。（说了那么多可能想想象不出来，也不能泄露数据，大家后面遇到再说）

博客内容精选：
1、Servlet请求体重复读&修改新姿势
2、根据请求获取后端接口详情
3、封装Springboot项目的starter-sdk新方式
4、Springboot全局处理完整版
5、itextpdf读取文本时上下行位置错乱
6、JAVA读取PDF表格内容
7、JAVA读取PDF出现内容错乱

根因：字段位置坐标存在微小差距，行坐标如果不一致，则itextpdf认为不是一行，但是这个差距极小，肉眼无法分辨（鼠标双击后可看到此现象）

解决办法有多种，以下将简述两种情况：
1、转图片OCR
这种方法直接，但识别效果依靠OCR的识别精确度，如果采用这种方式，还不如用OCR的表格识别功能，一次性解决了。如果需要商用级别的稳定度和准确度，基本都要付费使用腾讯或阿里的商用OCR了。

2、溯源定位找适配
既然知道了根据，那我们就看itextpdf读取pdf里面的内容，以及它是如何把这些内容封装后完整的展现出来的。具体代码流程此处忽略，下面直接贴出解决代码：

/**
 * 重写文本提取后的排序策略，其它逻辑保持不变
 */
private static final LocationTextExtractionStrategy.TextChunkLocationStrategy textChunkLocationStrategy = new LocationTextExtractionStrategy.TextChunkLocationStrategy() {
    @Override
    public LocationTextExtractionStrategy.TextChunkLocation createLocation(TextRenderInfo renderInfo, LineSegment baseline) {
        return new LocationTextExtractionStrategy.TextChunkLocationDefaultImp(baseline.getStartPoint(), baseline.getEndPoint(), renderInfo.getSingleSpaceWidth()) {
            @Override
            public int compareTo(LocationTextExtractionStrategy.TextChunkLocation other) {
                if (this == other) {
                    return 0;
                } else {
                    int rslt = Integer.compare(this.orientationMagnitude(), other.orientationMagnitude());
                    if (rslt != 0) {
                        return rslt;
                    } else {
                        // 行内容键值对相对应的纵坐标可能不一致，此处重写排序逻辑，消除肉眼内的坐标差值
                        rslt = Integer.compare(this.distPerpendicular(), other.distPerpendicular());
                        return rslt == 0 || Math.abs(this.distPerpendicular() - other.distPerpendicular()) == 1 ? Float.compare(this.distParallelStart(), other.distParallelStart()) : rslt;
                    }
                }
            }
        };
    }

};

处理入口：

import com.itextpdf.text.pdf.parser.LineSegment;
import com.itextpdf.text.pdf.parser.LocationTextExtractionStrategy;
import com.itextpdf.text.pdf.parser.PdfTextExtractor;
import com.itextpdf.text.pdf.parser.TextRenderInfo;

PdfReader pdfReader = new PdfReader("path/file");
for (int page = 1; page <= pdfReader.getNumberOfPages(); page++) {
	// 此处使用优化后的排序策略，即可解决坐标差异问题
	String text = PdfTextExtractor.getTextFromPage(pdfReader, page, new LocationTextExtractionStrategy(textChunkLocationStrategy));
	System.out.println(text);
}

总结：当初遇到这个问题也是一脸懵，itext也只是仅仅用过而已，没有完整了解其底层的原理。为了解决这个必须解决的问题，迫不得已静下心来逐步溯源分析，慢慢调试优化，在猜测与验证的过程中发现底层开放了扩展接口，进而在不影响效率及流程的情况下解决了此问题，在此记录供同行伙伴共勉。