ExtractPDF4J/ExtractPDF4J

Header-anchored column alignment across pages

Ouverte

#7 ouverte le 25 août 2025

Voir sur GitHubGuide contributeur
 (2 commentaires) (0 réaction) (2 personnes assignées)Java (44 forks)auto 404
enhancementgood first issue

Métriques du dépôt

Stars
 (545 étoiles)
Métriques de merge PR
 (Aucune PR mergée en 30 j)

Description

Why

Columns drift when layouts change per page. We need to anchor to headers and realign.

Tasks

  • Detect header row per page (fuzzy match against canonical header set)
  • Map per-page headers → canonical order
  • Snap column bounds to matched headers (with tolerance)
  • Add unit tests + 2 real PDFs as fixtures

Acceptance Criteria

  • Multi-page PDFs with shifting headers produce aligned CSVs (no column swaps).

Guide contributeur

Direction de recherche
Explorez le fonctionnement de PDFTextStripper, identifiez la detection d'en tete par heuristiques de coordonnees et etudiez la logique d'extraction de tableau existante pour aligner les colonnes.
Stack technique
java
Domaine
backendapi
Type d'issue
Fonctionnalité
DifficultéDifficulté estimée pour un nouveau contributeur, de 1 pour un très petit changement à 5 pour un travail expert.
3
Temps estiméFourchette de temps approximative pour investiguer, implémenter, tester et préparer une pull request.
1-2 jours
Statut d'activitéDisponibilité apparente de l'issue : fraîche, active, ancienne, bloquée ou en attente d'un mainteneur.
Active
ClartéClarté avec laquelle l'issue explique le changement attendu, les critères d'acceptation et la prochaine étape.
Claire
Prérequis
JavaPDF parsing concepts
Accessibilité débutantScore de 1 à 100 estimant l'accessibilité de cette issue pour un premier contributeur.
45