PDF表格文本提取

Question

我知道表格文本提取并不是每个人都喜欢的。但是，在阅读有关表的 PDF Stream 数据时，有些事情我不明白。

表格的PDF代码流是:

q                                    % Graphic State Starting Point

0 292.5 595.3 442.8 re               % Rectangle x y Width Height
W*                                   % Clipping Even Odd Rule
n                                    % End without Filling

0 0 0 rg                             % Color of Stroke
161 735 m                            % Move to New Path
160.8 734.7 l  89.3 734.7 l 89 735 l  88.8 735.3 l 161.3 735.3 l
161 735 l                            % straight line
h                                    % Close the Current Path
f*                                   % Fill Path with Even Odd Rule
Q

下划线是:

q                                 % Graphic State Starting Point
1 0 0 1 451.5 759.5 cm            % Current matrix
0.5 w                             % Width of Stroke
0 0 0 RG                          % color
0 -0.8 m                          % Move to New Path
72 -0.8 l                         % Straight Line
S                                 % Stroke Line
Q                                 % End of Graphic State

在下划线中，m 修改 cm 并将其设置为 451.5 759.5，并从当前点(即 451.5)绘制直线到 72 点(即 493.5)，小于 0.8到 cm，即 759.5

我现在不明白，表格线是如何从哪一点绘制到哪一点的。

Answer 1

考虑线条绘制部分，其中 m 是移动到运算符，l 是行到:

               % command   coordinates
               % =====================              
161 735 m      % Move-to   a(161, 735)
160.8 734.7 l  % line-to   b(161, 735 -.3)
89.3  734.7 l  % line-to   c(90,  735 -.3)
89    735   l  % line-to   d(90,  735)
88.8  735.3 l  % line-to   e(90,  735 +.3)
161.3 735.3 l  % line to   f(161, 735 +.3)
161   735   l  % line to   g(161, 735)
h              % close-path
f              % fill

(x 在 160 和 89 左右有一些奇怪的微小变化，这些变化太小而无法在视觉上记录 - 渲染怪癖？)。

[在非常高分辨率的情况下，线条末尾会有箭头

<============ ...   =======>

]

除此之外，它还绘制了一个非常薄的带角长框 (89, 734,7)、(161, 734.7)、(161, 735.3 ) 和 (89, 735.3)。 y 轴上 +/- ).3 点的影响最有可能给出稍微加粗的线条而不是矩形的效果。