TST: Add test for layout extraction mode (#2390)

resources/multicolumn-lorem-ipsum.txt

@@ -0,0 +1,44 @@
+ Two-Column Document with Lorem Ipsum
+
+ Your Name
+ January 3, 2024
+
+Abstract pellentesque ante. Phasellus adipiscing semper elit.
+ Proin fermentum massa ac quam. Sed diam turpis,
+This is a sample document with two columns filled molestie vitae, placerat a, molestie nec, leo. Maece-
+with Lorem Ipsum text. nas lacinia. Nam ipsum ligula, eleifend at, accumsan
+ Lorem ipsum dolor sit amet, consectetuer adip- nec, suscipit a, ipsum. Morbi blandit ligula feugiat
+iscing elit. Ut purus elit, vestibulum ut, placerat magna. Nunc eleifend consequat lorem. Sed lacinia
+ac, adipiscing vitae, felis. Curabitur dictum gravida nulla vitae enim. Pellentesque tincidunt purus vel
+mauris. Nam arcu libero, nonummy eget, con- magna. Integer non enim. Praesent euismod nunc
+sectetuer id, vulputate a, magna. Donec vehicula eu purus. Donec bibendum quam in tellus. Nullam
+augue eu neque. Pellentesque habitant morbi tris- cursus pulvinar lectus. Donec et mi. Nam vulpu-
+tique senectus et netus et malesuada fames ac turpis tate metus eu enim. Vestibulum pellentesque felis eu
+egestas. Mauris ut leo. Cras viverra metus rhon- massa.
+cus sem. Nulla et lectus vestibulum urna fringilla Quisque ullamcorper placerat ipsum. Cras nibh.
+ultrices. Phasellus eu tellus sit amet tortor gravida Morbi vel justo vitae lacus tincidunt ultrices. Lorem
+placerat. Integer sapien est, iaculis in, pretium quis, ipsum dolor sit amet, consectetuer adipiscing elit. In
+viverra ac, nunc. Praesent eget sem vel leo ultri- hachabitasseplateadictumst. Integertempusconva-
+ces bibendum. Aenean faucibus. Morbi dolor nulla, llis augue. Etiam facilisis. Nunc elementum fermen-
+malesuada eu, pulvinar at, mollis ac, nulla. Cur- tum wisi. Aenean placerat. Ut imperdiet, enim sed
+abitur auctor semper nulla. Donec varius orci eget gravida sollicitudin, felis odio placerat quam, ac pul-
+risus. Duis nibh mi, congue eu, accumsan eleifend, vinar elit purus eget enim. Nunc vitae tortor. Proin
+sagittis quis, diam. Duis eget orci sit amet orci dig- tempus nibh sit amet nisl. Vivamus quis tortor vitae
+nissim rutrum. risus porta vehicula.
+ Nam dui ligula, fringilla a, euismod sodales, sollic-
+itudin vel, wisi. Morbi auctor lorem non justo. Nam Fusce mauris. Vestibulum luctus nibh at lectus.
+lacus libero, pretium at, lobortis vitae, ultricies et, Sed bibendum, nulla a faucibus semper, leo velit ul-
+tellus. Donec aliquet, tortor sed accumsan biben- tricies tellus, ac venenatis arcu wisi vel nisl. Vestibu-
+dum, erat ligula aliquet magna, vitae ornare odio lum diam. Aliquam pellentesque, augue quis sagittis
+metus a mi. Morbi ac orci et nisl hendrerit mollis. posuere, turpis lacus congue quam, in hendrerit risus
+Suspendisse ut massa. Cras nec ante. Pellentesque eros eget felis. Maecenas eget erat in sapien mattis
+a nulla. Cum sociis natoque penatibus et magnis dis porttitor. Vestibulum porttitor. Nulla facilisi. Sed
+parturient montes, nascetur ridiculus mus. Aliquam a turpis eu lacus commodo facilisis. Morbi fringilla,
+tincidunturna. Nullaullamcorpervestibulumturpis. wisi in dignissim interdum, justo lectus sagittis dui,
+Pellentesque cursus luctus mauris. et vehicula libero dui cursus dui. Mauris tempor
+ Nulla malesuada porttitor diam. Donec felis erat, ligula sed lacus. Duis cursus enim ut augue. Cras
+congue non, volutpat at, tincidunt tristique, libero. ac magna. Cras nulla. Nulla egestas. Curabitur a
+Vivamus viverra fermentum felis. Donec nonummy leo. Quisque egestas wisi eget nunc. Nam feugiat
+
+
+ 1

tests/test_workflows.py

@@ -24,6 +24,7 @@
 TESTS_ROOT = Path(__file__).parent.resolve()
 PROJECT_ROOT = TESTS_ROOT.parent
 RESOURCE_ROOT = PROJECT_ROOT / "resources"
+SAMPLE_ROOT = PROJECT_ROOT / "sample-files"
 
 sys.path.append(str(PROJECT_ROOT))
 
@@ -1039,3 +1040,14 @@ def test_cr_with_cm_operation():
  )
  # currently threre is still a white space on last line missing
  # so we can not do a full comparison.
+
+
+@pytest.mark.samples()
+@pytest.mark.xfail(reason="#2388 implements this")
+def test_text_extraction_layout_mode():
+ pdf_path = SAMPLE_ROOT / "026-latex-multicolumn/multicolumn.pdf"
+ reader = PdfReader(pdf_path)
+ actual = reader.pages[0].extract_text(extraction_mode="layout")
+ with open(RESOURCE_ROOT / "multicolumn-lorem-ipsum.txt") as fp:
+ expected = fp.read()
+ assert actual.strip() == expected.strip()