pdf2docx
pdf2docx copied to clipboard
ArtifexSoftware
Ignore page 1 due to making page error: list index out of range - 字体下划线干扰表格解析
作者你好， 我用C++程序打印的pdf ， 导出的pdf 当文字粗体且带有下划线时，
程序报错提示 ： Ignore page 1 due to making page error: list index out of range
去掉下划线正常。
另外当文字是一个 粗体的数字时 ，比如粗体 1 转成的 word 显示两个 1 即： 11
也可以在这里下载 pdf : https://github.com/ALawating-Rex/filePutON/blob/main/pdf2docx/pdf/withUnderline.pdf
感谢提供测试文件。
我用C++程序打印的pdf ， 导出的pdf 当文字粗体且带有下划线时，程序报错提示 ： Ignore page 1 due to making page error: list index out of range
两个下划线与周围的边框被错误当成表格来解析，却又无法得到一个合理的表格结构，因此报错。将来会对表格解析这一块做一个系统改进。
另外当文字是一个 粗体的数字时 ，比如粗体 1 转成的 word 显示两个 1 即： 11
这个PDF是通过重叠文字来模拟文字加粗的效果，例如直接从PDF复制文字粘贴出来，Formula得到FFoorrmmuullaa。上游提取PDF文本的库PyMuPDF将FFoorrmmuullaa识别成了两个单词Formula和Formula，只不过几乎重叠，所以后续pdf2docx解析时得以通过判断重叠去掉了一个（参考下面转换时的日志），其他单词包括数字如2也是相同的情况。然而，原始的1直接被PyMuPDF当成了11而不是两个重叠的1，因此pdf2docx无法去重。
[WARNING] Ignore Line "Formula" due to overlap
[WARNING] Ignore Line "Value" due to overlap
[WARNING] Ignore Line "2 " due to overlap
[WARNING] Ignore Line "3 " due to overlap
[WARNING] Ignore Line "Method" due to overlap
[WARNING] Ignore Line "GA" due to overlap
[WARNING] Ignore Line "Fetus A" due to overlap
[WARNING] Ignore Line "2D" due to overlap
