[
https://issues.apache.org/jira/browse/PDFBOX-5125?page=com.atlassian.jira.plugin.system.issuetabpanels:all-tabpanel
]
Tilman Hausherr closed PDFBOX-5125.
-----------------------------------
Resolution: Not A Bug
> Slightly slanted line with right side higher than the left confuses
> PDFTextStripper with sortByPosition=true
> ------------------------------------------------------------------------------------------------------------
>
> Key: PDFBOX-5125
> URL: https://issues.apache.org/jira/browse/PDFBOX-5125
> Project: PDFBox
> Issue Type: Bug
> Components: Text extraction
> Affects Versions: 2.0.22
> Reporter: Gábor Stefanik
> Priority: Major
> Attachments: BB-8541-1-ocr.pdf
>
>
> The attached PDF, when run through PDFTextStripper with sortByPosition=true,
> yields improperly ordered text: the beginnings of lines are printed after the
> ends of the same lines, after a superfluous linebreak. There are also some
> additional erroneous linebreaks that do not result in the text reversing,
> like the one in "keretmegállapodásos".
> PDFBox extracts:
> {noformat}
> lőállító eszközök szállítása és kapcsolódó szolgáltatások 2013”
> „Nyomat e
> árgyban lefolytatott központosított közbeszerzési keretmegállapodáso
> s eljárás 2. része
> t
> (Általános Multifunkciós eszközök) eredményeképpen a Beszerző és El
> adó között
> keretmegállapodás jött létre (továbbiakban: KM).{noformat}
> The same PDF opened in Adobe Reader, and all the text in it copied out:
> {noformat}
> „Nyomat előállító eszközök szállítása és kapcsolódó szolgáltatások 2013”
> tárgyban lefolytatott központosított közbeszerzési keretmegállapodásos
> eljárás 2. része
> (Általános Multifunkciós eszközök) eredményeképpen a Beszerző és Eladó között
> keretmegállapodás jött létre (továbbiakban: KM).{noformat}
> (The word "teljesítése" is missing in both extractions due to an OCR error;
> that's an issue with Tesseract an unrelated to this issue.)
> In Firefox (pdf.js), we get:
> {noformat}
> „Nyomatelőállítóeszközökszállításaés
> kapcsolódószolgáltatások2013”tárgybanlefolytatottközpontosítottközbeszerzésikeretmegállapodásoseljárás2.
> része(ÁltalánosMultifunkcióseszközök)eredményeképpena Beszerzőés
> Eladóközöttkeretmegállapodásjöttlétre(továbbiakban:KM).{noformat}
> (The missing spaces are a well-known incompatibility between Tesseract 4.0
> and pdf.js, workarounded in Tesseract 4.1, but the order of the text remains
> correct.)
--
This message was sent by Atlassian Jira
(v8.3.4#803005)
---------------------------------------------------------------------
To unsubscribe, e-mail: [email protected]
For additional commands, e-mail: [email protected]
