Unable to parse text from a valid pdf
まだ誰も着手していません。
評価
- 難易度
- 4/5
- 見積もり時間
- 3〜5日
- 初心者へのやさしさ
- 42/100
- issue の種類
- バグ
- 明瞭さ
- おおむね明確
- 活発さ
- 停滞
- 技術スタック
- typescript
- 領域
- backend
調査の方向性
リンクされている laudo.pdf で、extractPageTextsFromPdf と PDFParser の parseBuffer エントリーポイントを使用して問題を再現してください。decodePdfPageTexts の前にページテキストと文字エンコーディングがどのように表現されているかを追跡してください。完了とは、抽出された1ページ目のテキストが、表示されている誤った文字ではなく、読み取り可能な状態になることです。
索引モデルが issue の本文から書いたものです。
説明
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;
}
- 主要言語
- Java
- スター
- 2.2k
- フォーク
- 396
- 平均マージ
- 9日 19時間
- マージ済み PR（30日）
- 3
環境構築
このプロジェクトには開発コンテナ、Dockerfile、コントリビューションガイドがありません。まず README を読み、一般的な手順ははじめてのコントリビューションガイドを参照してください。
はじめの一歩
- issue を最後まで読み、次にプロジェクトのコントリビューションガイドを読みます。
- 着手することを issue にコメントします — 二人が同じ作業をするのを防げます。
- リポジトリをフォークし、ブランチを切って変更します。
- issue 番号を参照したプルリクエストを送ります。
modesty/pdf2json のほかの issue
-
getRawTextContent() returns the lines of every page in reverse order (bottom to top) since 4.0.3オープン
難易度 1/5 1〜3時間 初心者へのやさしさ 90/100
-
難易度 2/5 1〜3時間 初心者へのやさしさ 78/100
-
難易度 3/5 1〜2日 初心者へのやさしさ 38/100
-
`getRawTextContent` does not returns words' pieces in proper coordinate order対応中かも このイシューにリンクされたプルリクエストがオープン中、またはマージ済みです。 オープン
難易度 3/5 1〜2日 初心者へのやさしさ 48/100
-
難易度 4/5 3〜5日 初心者へのやさしさ 35/100
modesty/pdf2json の issue をすべて見る
似ている issue
-
bug subsystem:agent-harness triage
難易度 2/5 1〜3時間 初心者へのやさしさ 72/100
ShaftHQ/SHAFT_ENGINE#7797 ·
メンテナーはふだん 1 日以内に返信
-
難易度 2/5 1〜3時間 初心者へのやさしさ 73/100
NationalSecurityAgency/ghidra#10155 ·
メンテナーはふだん 2 日以内に返信
-
area:data coverage
難易度 1/5 1時間未満 初心者へのやさしさ 67/100
reacher-z/Awesome-CUA#4864 ·
メンテナーはふだん 19 日以内に返信
-
bug web-ui
難易度 2/5 1〜3時間 初心者へのやさしさ 67/100
jenkinsci/jenkins#27705 · コメント 3 件 ·
メンテナーはふだん 1 日以内に返信
-
mod bug
難易度 2/5 1〜3時間 初心者へのやさしさ 64/100
elmital/FixMCStats#65 · コメント 3 件 ·