按位置将一组字母聚类到表格中

问：

我有一组位于平面上的字母（对于每个字母，我知道其角点的坐标，字符串可以被视为平行四边形）。我知道字符串构成了一个表，但我不知道表有多少行或列，也不知道单元格的大小。此外，字母和表格还具有以下属性

• 字母组成单词
• 每个单词的末尾都有一个空格，或者是其行中的最后一个单词
• 表的每个单元格要么包含一个字符串（可以由多个单词组成），要么完全为空
• 字符串中单词之间的间距可以大于或小于空格的宽度。
• 单个表格行中的字母并不都具有相同的 Y 坐标，但倾斜永远不会太大（即给定行中每个字母的每个角的 Y 坐标都高于下一行中每个字母的每个角的 Y 坐标）
• 单元格从不跨越两行
• 某些单元格跨越多个列 - 在这种情况下，该单元格的内容可以放在任何跨区列中，最好是一致的，但不一定一致（即始终放在最左边或总是放在最右边的跨区列中）
• 空单元格中没有任何字母（即没有可用于识别空单元格的“空格”字母）
• 列中每个单元格的内容通常都向左对齐，或者全部向右对齐，尽管它们并不总是具有相同的最左边的 X 坐标，并且某些单元格的内容不遵循其列的对齐方式（相反，它们根本没有对齐，因此字符串的两个边缘都在单元格中间的某个位置）。
• 字符串的实际内容无助于确定表的结构。

那么问题来了，给定一组字母及其坐标，我怎样才能正确地将它们划分成一个表格？

例如：

假设字母像这样组成表格，但我只知道字母本身和它们的坐标，但不知道表格的大小。

具体来说，我正在解析一个由表格扫描组成的 PDF 文件，并尝试将这些扫描转换为 Excel 表格（每个 PDF 页面一个 Excel 工作表），但是有问题的 PDF 文件的构建方式存在很多问题：

• 文本是用文本识别软件生成的，经常会出现小数点缺失、符号识别错误（没有可靠的一对一对应关系）等问题。因此，我不能依赖字符串的内容
• 文本并不总是按阅读顺序绘制，而且绘制的顺序会因页面而异
• 单词和字符串并不总是绘制在一起，通常 PDF 显示单词的一部分，调整文本矩阵，并显示同一单词的另一部分
• 文档中混合了多种类型的表。
• 有时，一个表跨越多个页面，因此实际上只有一个页面包含标题行。而且表格的对齐方式不匹配，所以即使我能够找到一个标题行（由于第一个问题，这是有问题的），我也不能使用它的坐标来正确地分组另一个页面上的字符串

我正在使用 C# 和 PdfPig，但这个问题在很大程度上与语言无关