如何估算文本对象之间的空格个数?

PDF页面上人眼看见的一行文本,可能是由多个独立的文本对象TextObject构成,

如果需要自行将文本导出,为txt纯文本的格式,通常可以通过TextPage.GetTextInRect()获取。但这个接口最多只保留文本间的一个空格符。如果要求还准确原空格间距,保留多个空格,可以按照如下方式进行估算(代码为python语言):

  1. 获取文本对象本身空格间距:
textState = textObject.GetTextState(page);
# 获取词间距
wordSpace = textState.wordspace;
# 获取当前字体的空格原始宽度
spaceWidth_original = textState.font.GetCharWidth(ord(' ')) / 1000;
# 根据词间距spaceWidth_original,字体大小font_size,
#以及文本的横向缩放Matrix.a比例, 计算出实际PDF中 该文本对象的空格实际宽度
spaceWidth = 1 * spaceWidth_original * textState.font_size * textRow[i].GetMatrix().a + wordSpace

2. 计算单个文本对象,字符所占的左右两侧的坐标。

#左侧坐标:
textObj.GetCharPos(0).x;
#右侧坐标:
textObj.GetCharPos(textObj.GetCharCount()-1).x+textObj.GetCharWidthByIndex(textObj.GetCharCount()-1);

3. 完整代码:

def GetTextObjBoundary(textObj,is_left=True):
    if is_left:
        return textObj.GetCharPos(0).x;
    else:
        return textObj.GetCharPos(textObj.GetCharCount()-1).x+textObj.GetCharWidthByIndex(textObj.GetCharCount()-1);
#textRow为一行已从左往右排好序的文本对象数组。
def GetTextInRow(textRow, page):
    str=""
    prePosX=0;
    textRow = sorted(textRow, key=lambda x: x.GetRect().left, reverse=False);
    for i in range(0, len(textRow)):
        textStr=textRow[i].GetText();
        rect=textRow[i].GetRect()
        textObj=textRow[i]
        if i==0:
            str=textStr;
            prePosX = GetTextObjBoundary(textObj,False);
            continue;
        distance=GetTextObjBoundary(textObj,True)-prePosX
        GetTextObjBoundary(textObj,True);

        textState = (textRow[i].GetTextState(page));
        # 获取词间距
        wordSpace = textState.wordspace;
        # 获取当前字体的空格原始宽度
        spaceWidth_original = textState.font.GetCharWidth(ord(' ')) / 1000;
        # 根据词间距spaceWidth_original,字体大小font_size,文本的横向缩放Matrix.a
        # 计算出实际PDF中 该文本对象的空格宽度
        spaceWidth = 1 * spaceWidth_original * textState.font_size * textRow[i].GetMatrix().a + wordSpace
        #根据相邻文本的间距,来计算空格符的个数
        spaceCount=(int)(distance/spaceWidth+0.5)
        for space in range(0,spaceCount):
            str=str+" "
        str=str+textStr;
        prePosX = GetTextObjBoundary(textObj,False);
    return str;