𝗗𝗲𝗷𝗮 𝗱𝗲 𝗮𝗻𝗮𝗹𝗶𝘇𝗮𝗿 𝗣𝗗𝗙𝘀 𝗲𝗻 𝗲𝗹 𝗺𝗼𝗺𝗲𝗻𝘁𝗼 𝗱𝗲𝗹 𝗿𝗲𝗻𝗱𝗲𝗿𝗶𝘇𝗮𝗱𝗼
La mayoría de los desarrolladores construyen herramientas de extracción de PDF de la manera incorrecta.
Intentan adivinar la estructura del documento a partir de la salida visual. Renderizan una página en un canvas y observan las posiciones de los píxeles. Utilizan visión artificial para encontrar columnas o tablas.
Este enfoque es erróneo.
Un PDF ya contiene la estructura que necesitas en el flujo de operadores.
Una tabla no es solo un conjunto de píxeles. Es un conjunto de operadores de ruta como moveTo, lineTo y rectangle. Los límites de las zonas están codificados en la pila CTM. No necesitas reconstruir lo que ya está ahí.
Deja de usar heurísticas visuales. Usa los datos de origen.
Anteriormente intenté usar la subdivisión de De Casteljau