`getRawTextContent` does not returns words' pieces in proper coordinate order
Valutazione
- Difficoltà
- 3/5
- Tempo stimato
- 1-2 giorni
- Idoneità per principianti
- 48/100
Direzione di ricerca
Inizia individuando getRawTextContent e verificando come sono ordinati gli elementi di bidiTexts e come vengono gestite le relative coordinate y. Riproduci la sequenza segnalata con il PDF di esempio o un fixture equivalente; il lavoro è completato quando il testo estratto conserva l’ordine delle coordinate previsto per i gruppi di caratteri invertiti.
Scritto dal modello di indicizzazione a partire dal testo della issue.
Descrizione
Hey,
getRawTextContent seems to assume that word pieces in the bidiTexts array appear in ascending order of their y coordinate but they probably do appear as they are being added by the PDF rendering software. I have a file where a line of text looking on screen like
Some label 12.3 4455
appears in that array as
Some label | 3 | . | 2 | 1 | 5 | 5 | 4 | 4
that is, the character groups are properly following one after the other but the order of individual characters within the groups is reversed. And getRawTextContent() naively returns
Some label 3.21 5544
The y number of each item correctly shows the correct position but the code is not considering that (it only checks the absolute y difference).
So I wonder if this has a known solution before I go and change the code myself?
Cheers for the nice work.
- 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
-
Difficoltà 4/5 3-5 giorni Idoneità per principianti 35/100
-
help-wanted: type3-font not-supported
Difficoltà 4/5 3-5 giorni Idoneità per principianti 42/100
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 ·