为什么我会从 iText7 C# 中提取重复页面？

Question

我正在从 PDF 中提取文本，并且遇到从连续页面返回相同文本的问题。我已经使用 iTextSharper 编写了一些 PDF 解析器，并且刚刚将以下代码从 iTextSharper 移植到 iText7，并假设这只是一个 iTextSharper 问题：

        var pdfDocument = new PdfDocument(new PdfReader(@"C:\Temp\MyForm.pdf"));

        for (int page = 1; page <= pdfDocument.GetNumberOfPages(); page++)
        {
            var strategy = new SimpleTextExtractionStrategy();
            var pdfPage = pdfDocument.GetPage(page);
            var currentText = PdfTextExtractor.GetTextFromPage(pdfPage, strategy);

            // Process this page
            Console.WriteLine("PAGE {0}", page);
            Console.WriteLine(currentText);
        }

这里有什么我遗漏的吗？

Answer 1

实际上它不是 从连续页面返回的相同文本。相反，您会得到

• 提取第 1 页时第 1 页的文本；
• 提取第 2 页时第 1 页和第 2 页的文本；
• 提取第 3 页时第 1、2 和 3 页的文本；
• ...

这通常发生在对多个页面重复使用文本提取策略的代码中。但在您的代码中并非如此，您正确地为每个页面创建了一个新的策略对象。因此，原因必须在 PDF 本身。

事实上，您文档的每一页都包含之前所有页面的内容，只是在其裁剪框之外。要仅提取相应页面裁剪框中的文本，您必须进行过滤，例如像这样：

string SRC = @"285187.pdf";

PdfDocument pdfDoc = new PdfDocument(new PdfReader(SRC));

Console.WriteLine("\n285187 Filtered\n============\n");

for (int i = 1; i <= pdfDoc.GetNumberOfPages(); i++)
{
    var strategy = new SimpleTextExtractionStrategy();
    var pdfPage = pdfDoc.GetPage(i);

    var filter = new IEventFilter[1];
    filter[0] = new TextRegionEventFilter(pdfPage.GetCropBox());
    var filteredTextEventListener = new FilteredTextEventListener(strategy, filter);

    var currentText = PdfTextExtractor.GetTextFromPage(pdfPage, filteredTextEventListener);

    Console.WriteLine("PAGE {0}", i);
    Console.WriteLine(currentText);
}

pdfDoc.Close();

目前尚不清楚 PDF 是这样设计的还是错误的。