Module: Rpdfium::Util::TextExtraction

Defined in:
lib/rpdfium/util/text_extraction.rb

Overview

Estrazione testo “lineare” da una collezione di char, layout=False. Equivalente di pdfplumber.utils.text.chars_to_textmap nella variante senza preservazione del layout grafico.

Algoritmo:

1. Estrai words con WordExtractor (gli stessi tolerance).
2. Cluster di words per `top` con y_tolerance → righe logiche.
3. Per ogni riga, ordina per x0 e joina con singolo spazio.
4. Joina le righe con "\n".

NOTA su una sottigliezza: pdfplumber permette di usare x_tolerance diverso da y_tolerance sia per word-extraction che per line-clustering. Replichiamo questa flessibilità.

Constant Summary collapse

DEFAULT_X_TOLERANCE = 
WordExtractor::DEFAULT_X_TOLERANCE
DEFAULT_Y_TOLERANCE = 
WordExtractor::DEFAULT_Y_TOLERANCE

Class Method Summary collapse

Class Method Details

.extract_text(chars, x_tolerance: DEFAULT_X_TOLERANCE, y_tolerance: DEFAULT_Y_TOLERANCE, keep_blank_chars: false) ⇒ Object 



24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
 
# File 'lib/rpdfium/util/text_extraction.rb', line 24

def extract_text(chars,
                 x_tolerance: DEFAULT_X_TOLERANCE,
                 y_tolerance: DEFAULT_Y_TOLERANCE,
                 keep_blank_chars: false)
  return "" if chars.empty?

  words = WordExtractor.new(
    x_tolerance: x_tolerance,
    y_tolerance: y_tolerance,
    keep_blank_chars: keep_blank_chars
  ).extract_words(chars)
  return "" if words.empty?

  # Cluster delle WORDS per top: righe di output finali.
  # Usa y_tolerance "di linea" — pdfplumber qui usa la stessa y_tolerance
  # passata, ed è coerente con come si comporta extract_text.
  line_clusters = Cluster.cluster_objects(words, :top, tolerance: y_tolerance)

  # Per ogni riga di output joina con spazio singolo.
  line_clusters.map do |line_words|
    line_words.sort_by { |w| w[:x0] }.map { |w| w[:text] }.join(" ")
  end.join("\n")
end