[
https://issues.apache.org/jira/browse/TIKA-613?page=com.atlassian.jira.plugin.system.issuetabpanels:all-tabpanel
]
Alex updated TIKA-613:
----------------------
Description:
The pdf parser is changing the position of some letters and adding spaces
inside the text.
For example:
Parsed text
"O fluox de caixa e os ganhos econmô icos referentes à estocagem dos RSD no
aterro sanitário"
Original
"O fluxo de caixa e os ganhos econômicos referentes à estocagem dos RSD no
aterro sanitário"
I`ve parsed the same text with iTextsharp and the result was Ok.
The original pdf file is here:
http://www.teses.usp.br/teses/disponiveis/8/8135/tde-04072008-113118/publico/DISSERTACAO_JOSE_EDUARDO_ABBAS.pdf
[UPDATE]
It looks like the "changing positions" is solved in the new version (1.0), but
there is some "spaces" between text:
Parsed
"Os processos econômicos e polít icos causadores da atual forma de geração dos
RSD"
Original
"Os processos econômicos e políticos causadores da atual forma de geração dos
RSD"
was:
The pdf parser is changing the position of some letters and adding spaces
inside the text.
For example:
Parsed text
"O fluox de caixa e os ganhos econmô icos referentes à estocagem dos RSD no
aterro sanitário"
Original
"O fluxo de caixa e os ganhos econômicos referentes à estocagem dos RSD no
aterro sanitário"
I`ve parsed the same text with iTextsharp and the result was Ok.
The original pdf file is here:
http://www.teses.usp.br/teses/disponiveis/8/8135/tde-04072008-113118/publico/DISSERTACAO_JOSE_EDUARDO_ABBAS.pdf
> PDF parser is changing letters positions
> ----------------------------------------
>
> Key: TIKA-613
> URL: https://issues.apache.org/jira/browse/TIKA-613
> Project: Tika
> Issue Type: Bug
> Components: parser
> Affects Versions: 0.9
> Environment: running Tika inside VB.NET 2010 with IKVM
> Reporter: Alex
> Labels: parser, pdf
>
> The pdf parser is changing the position of some letters and adding spaces
> inside the text.
> For example:
> Parsed text
> "O fluox de caixa e os ganhos econmô icos referentes à estocagem dos RSD no
> aterro sanitário"
> Original
> "O fluxo de caixa e os ganhos econômicos referentes à estocagem dos RSD no
> aterro sanitário"
> I`ve parsed the same text with iTextsharp and the result was Ok.
> The original pdf file is here:
> http://www.teses.usp.br/teses/disponiveis/8/8135/tde-04072008-113118/publico/DISSERTACAO_JOSE_EDUARDO_ABBAS.pdf
> [UPDATE]
> It looks like the "changing positions" is solved in the new version (1.0),
> but there is some "spaces" between text:
> Parsed
> "Os processos econômicos e polít icos causadores da atual forma de geração
> dos RSD"
> Original
> "Os processos econômicos e políticos causadores da atual forma de geração dos
> RSD"
--
This message is automatically generated by JIRA.
For more information on JIRA, see: http://www.atlassian.com/software/jira
