# PDF 数据提取方案

## 一、项目概述

本项目从工程图纸 PDF 中提取尺寸标注数据（数值 + 公差 + 直径符号Φ），基于 Java + Spring Boot + PDFBox 3.x。

---

## 二、Φ（直径）符号识别方案

### 2.1 问题背景

工程图纸中，直径标注以 Φ 符号前缀表示（如 Φ280 ±0.15）。不同 PDF 生成方式导致 Φ 符号在文本层的表现完全不同：

| PDF 类型 | Φ 的存在方式 | 可提取性 |
|---------|-------------|---------|
| AutoCAD 导出 PDF（类型A） | 文字字符（BerlinSansFB-Bold 字体），独立 TextGroup | ✅ 可提取 |
| 其他 CAD 导出 PDF（类型B） | 矢量图形路径（画的圆+斜线） | ❌ 不可提取 |

### 2.2 类型A：文字形式 Φ 的提取

**流程：**
1. `PositionedTextStripper` 提取文本，乱码字符（如 `¡¤`/U+00A1 U+00A4）通过 `correctGarbledText()` 映射为 Φ（U+03A6）
2. `TextGrouper` 将相邻文本元素分组，但 Φ 和数字因字体/位置差异通常分属不同 TextGroup
3. `DimensionIdentifier.findLeadingSymbolGroup()` 在维度数字 TextGroup 的左侧搜索独立的 Φ TextGroup 并拼接

**关键参数：**
- 符号集合：`Φ`(U+03A6), `φ`(U+03C6), `Ø`(U+00D8), `ø`(U+00F8), `∅`(U+2205), `⌀`(U+2300)
- 空间搜索范围：`gapFromSymLeft ∈ [-10, maxGapFromLeft)`，`dy < maxYDelta`
  - `maxGapFromLeft = max(dimFontSize × 5.0, 70)`
  - `maxYDelta = max(dimFontSize × 3.0, 40)`
- 渲染顺序过滤（seqDiff）：`dimSeq - phiSeq >= 180`
  - AutoCAD PDF 中 Φ 符号在早期渲染层（seqNum ≈ 33-37），数字在后期层（seqNum ≈ 228-239）
  - 真正配对的 seqDiff = 195~205
  - 误配 "160" 的 seqDiff = 173，误配 "6" 的 seqDiff = 6~7
  - 阈值 180 可完美分离

### 2.3 类型B：矢量图形 Φ 的启发式推断

当 PDF 中 Φ 是图形路径时（整个页面无任何 Φ 文本字符），采用配合公差启发式规则：

**规则1 — 配合公差直接推断：**
- 文本含配合公差代号（如 `230 m6 +0.017`）→ 自动加 Φ
- 排除：大写 R 开头的代号（如 `15R4`），因为 R+数字 通常表示圆角半径而非配合公差

**规则2 — 附近配合公差 TextGroup：**
- 搜索范围：dx < 100, dy < 50（像素坐标）
- 附近存在 2-3 字符的配合代号文本（如独立的 "H7" TextGroup）→ 加 Φ
- 示例：`280 ±0.15` 附近有 `H7`(dx=56, dy=14) → 识别为 Φ280

**已知局限：**
- 当 Φ 是矢量图形且附近无配合公差代号时（如 `Φ55 ±0.15`），无法自动识别
- 此类情况需用户在提取结果中手动添加 Φ 前缀

---

## 三、文本提取管线

```
PDF文件
  ↓
PositionedTextStripper.writeString()    ← 提取每次文本绘制调用
  │  ├─ 重建 Unicode 文本（TextPosition.getUnicode()）
  │  ├─ correctGarbledText()：修复乱码映射
  │  └─ 生成 TextElement（含坐标、字号、seqNum）
  ↓
TextGrouper.group()                     ← 按空间邻近性分组
  │  └─ 生成 TextGroup 列表
  ↓
DimensionIdentifier.identifyDimensions()  ← 正则匹配 + 符号拼接
  │  ├─ TextNormalizer.normalizeText()：二次乱码修复
  │  ├─ 正则模式匹配（公差/配合/螺纹/纯数值）
  │  ├─ findLeadingSymbolGroup()：搜索独立Φ TextGroup
  │  ├─ inferDiameterFromContext()：配合公差启发式
  │  └─ findNearbyTolerance()：搜索附近公差文本
  ↓
DimensionResult 列表               ← 最终输出
```

---

## 四、乱码映射表

### 4.1 correctGarbledText()（PositionedTextStripper）

| 原始乱码 | 映射结果 | 说明 |
|---------|---------|------|
| `¡¤` (U+00A1 U+00A4) | Φ (U+03A6) | BerlinSansFB-Bold 字体直径符号 |
| `¡ã` (U+00A1 U+00E3) | ° (U+00B0) | 度数符号 |
| `¡À` (U+00A1 U+00C0) | ± (U+00B1) | 正负公差 |
| `¦µ` (U+00A6 U+00B5) | Φ (U+03A6) | 直径符号变体 |
| `¡Á` (U+00A1 U+00C1) | ± (U+00B1) | 正负公差变体 |
| 单独 `¡` (U+00A1) | Φ (U+03A6) | ¡¤ 跨 writeString 拆分时 |
| 单独 `¤` (U+00A4) | 删除 | ¡¤ 跨 writeString 拆分时 |
| U+FFFD | 删除 | Unicode 替换字符 |

### 4.2 TextNormalizer.normalizeText()

与 correctGarbledText 类似的映射，加上：
- `Φ\u0080` → `Φ`（Windows GBK 尾随控制字符）
- `Ø\u0080` → `Ø`
- `±\u0080` → `±`
- `Æø` (U+00C6 U+00F8) → `Ø`
- NFC 规范化

---

## 五、正则模式优先级

`identifyDimensions()` 中的匹配顺序（先匹配先处理）：

1. **PAT_COMPOUND_TOL** — 复合公差文本（如 `+0.03 0`）→ 跳过（不作为尺寸）
2. **PAT_DIM_SYM_TOL** — 对称公差（如 `280 ±0.15`）
3. **PAT_DIM_ASYM_TOL** — 非对称公差/斜线（如 `55 +0.03/-0.02`）
4. **PAT_DIM_LIMIT_TOL** — 非对称公差/空格（如 `55 +0.03 -0.02`）
5. **PAT_DIM_FIT** — 配合公差（如 `230 m6`、`280 H7`）
6. **PAT_THREAD** — 螺纹标注（如 `M24×1.5`）
7. **PAT_PLAIN_DIM** — 纯尺寸数值（如 `270`、`R15`）

---

## 六、关键文件

| 文件 | 职责 |
|-----|------|
| `PositionedTextStripper.java` | PDFBox 文本提取、乱码修复、seqNum 赋值 |
| `TextGrouper.java` | 按空间邻近性将 TextElement 分组为 TextGroup |
| `TextNormalizer.java` | 二次乱码映射、NFC 规范化 |
| `DimensionIdentifier.java` | 尺寸识别核心逻辑（正则 + Φ拼接 + 启发式） |
| `TitleBlockFilter.java` | 标题栏区域过滤、GD&T/粗糙度排除 |
| `RegionFilterService.java` | 区域框选模式尺寸提取 |
| `PdfExtractionService.java` | 提取服务入口 |