Unable to parse text from a valid pdf
Nessuno ha ancora preso questa issue.
Valutazione
- Difficoltà
- 4/5
- Tempo stimato
- 3-5 giorni
- Idoneità per principianti
- 42/100
- Tipo di issue
- Bug
- Chiarezza
- Abbastanza chiara
- Stato di attività
- Ferma
- Stack tecnologico
- typescript
- Ambito
- backend
Direzione di ricerca
Riproduci il problema con il laudo.pdf collegato usando extractPageTextsFromPdf e il punto di ingresso parseBuffer di PDFParser. Traccia come vengono rappresentati il testo della pagina e le codifiche dei caratteri prima di decodePdfPageTexts; il lavoro è completato quando il testo estratto dalla prima pagina è leggibile anziché mostrare i caratteri errati indicati.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
Trying to extract the text from the following pdf gives wrong characters.
input pdf:
laudo.pdf
Fragment extracted from the 1st page:
䴀䄀吀䔀刀䤀䄀䰀 ⴀ 匀䄀一䜀唀䔀
䠀䔀䴀伀䜀刀䄀䴀䄀
Code used to extract text:
async function extractPageTextsFromPdf(pdfBuffer: Buffer): Promise<string[]> {
const pdfParser = new PDFParser(null, true, '');
function decodePdfPageTexts(texts: Text[]) {
return decodeURIComponent(
texts.map((t) =>t.R.map((tt) => tt.T).join(' ')).join(' ')
);
}
const texts: Promise<string[]> = new Promise((resolve, reject) => {
pdfParser.on('pdfParser_dataReady', (pdfData) => {
const { Pages: pages } = pdfData;
const tx = pages.map((p) => p.Texts).map(decodePdfPageTexts);
resolve(tx);
});
pdfParser.on('pdfParser_dataError', (errData) => {
reject(errData.parserError);
});
pdfParser.parseBuffer(pdfBuffer);
});
return texts;
}
- Lingua principale
- Java
- Stelle
- 2.2k
- Fork
- 396
- Merge medio
- 9g 19h
- PR unite (30g)
- 3
Preparare l'ambiente
Questo progetto non fornisce container di sviluppo, Dockerfile né guida per i contributori, quindi l'ambiente è a tuo carico: parti dal suo README e consulta la nostra guida al primo contributo per i passaggi generali.
Come iniziare
- Leggi tutta la issue e poi la guida ai contributi del progetto.
- Commenta sulla issue per dire che te ne occupi tu — evita che due persone facciano lo stesso lavoro.
- Fai un fork del repository e lavora su un branch.
- Apri una pull request che faccia riferimento al numero della issue.
Altre issue di modesty/pdf2json
-
getRawTextContent() returns the lines of every page in reverse order (bottom to top) since 4.0.3Aperta
Difficoltà 1/5 1-3 ore Idoneità per principianti 90/100
-
Difficoltà 2/5 1-3 ore Idoneità per principianti 78/100
-
Difficoltà 3/5 1-2 giorni Idoneità per principianti 38/100
-
`getRawTextContent` does not returns words' pieces in proper coordinate orderForse già presa Una pull request collegata a questa issue è aperta o già unita. Aperta
Difficoltà 3/5 1-2 giorni Idoneità per principianti 48/100
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 35/100
Tutte le issue di modesty/pdf2json
Issue simili
-
bug subsystem:agent-harness triage
Difficoltà 2/5 1-3 ore Idoneità per principianti 72/100
ShaftHQ/SHAFT_ENGINE#7797 ·
I maintainer di solito rispondono entro 1 giorno
-
ARM: Q flag should be stickyAperta
Difficoltà 2/5 1-3 ore Idoneità per principianti 73/100
NationalSecurityAgency/ghidra#10155 ·
I maintainer di solito rispondono entro 2 giorni
-
area:data coverage
Difficoltà 1/5 Meno di un'ora Idoneità per principianti 67/100
reacher-z/Awesome-CUA#4864 ·
I maintainer di solito rispondono entro 19 giorni
-
bug web-ui
Difficoltà 2/5 1-3 ore Idoneità per principianti 67/100
jenkinsci/jenkins#27705 · 3 commenti ·
I maintainer di solito rispondono entro 1 giorno
-
"item-tooltip-keyboard-fix" crashes the game when opening the Items tab of the statistics menuApertamod bug
Difficoltà 2/5 1-3 ore Idoneità per principianti 64/100
elmital/FixMCStats#65 · 3 commenti ·