C# iTextSharp PDFReader 总是从 PDF 的开头读取

Question

我正在使用 iTextSharp PDFReader 读取一个有 18 页的 pdf 文件，但每次我增加页码时，它都会从 pdf 的开头开始，而不是只读取那个特定的页面。如果我将“x”设置为 pdfReader.NumberOfPages 值，它只会读取最后一页。我想单独阅读每一页并将数据添加到我的字符串列表中。我也在浏览一个文件夹，阅读每个 pdf 文件，但我一开始只测试一个。

List<string> s = new List<string>();
while (z < filePaths.Count())
{
    PdfReader pdfReader = new PdfReader(filePaths[z]); 
    ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
    for (int x = 1; x <= pdfReader.NumberOfPages; x++)
    {
        string currentText = "";                                
        currentText = PdfTextExtractor.GetTextFromPage(pdfReader, x, strategy);                        
        s.Add(currentText);
    }
    z++;
    pdfReader.Close();
}

Answer 1

之前的所有答案都非常接近，即您正确地将其归咎于某种状态问题。

唯一缺少的部分是 strategy 变量记住了它的状态。调用GetTextFromPage 后，您的策略对象不会刷新其现有内容。

所以诀窍是在循环内实例化您的strategy：

for (int x = 1; x <= pdfReader.NumberOfPages; x++)
{
    ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
    string currentText = "";                                
    currentText = PdfTextExtractor.GetTextFromPage(pdfReader, x, strategy);                        
    s.Add(currentText);
}

Answer 2

通过从这一行删除策略 PdfTextExtractor.GetTextFromPage(pdfReader, x, strategy) 使其工作

static void Main(string[] args)
        {
            List<string> filePaths = new List<string>();
            filePaths.Add("C:\\temp\\pe\\ACN-ONFBG-010-R-EN-ONT (1364).pdf");
            filePaths.Add("C:\\temp\\pe\\ACN-ONFBG-010-R-UN-NOR (1364).pdf");
            filePaths.Add("C:\\temp\\pe\\ACN-ONFBG-010-R-UN-SOU (1364).pdf");
            List<string> results = doit(filePaths);
            string stall = "stall";
        }


        private static List<string> doit(List<string> filePaths)
        {
            List<string> s = new List<string>();
            int z = 0;
            while (z < filePaths.Count())
            {
                PdfReader pdfReader = new PdfReader(filePaths[z]);
                ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
                for (int x = 1; x <= pdfReader.NumberOfPages; x++)
                {
                    string currentText = "";
                    currentText = PdfTextExtractor.GetTextFromPage(pdfReader, x);
                    s.Add(currentText);
                }
                z++;
                pdfReader.Close();
            }
            return s;
        }

Answer 3

我怀疑是读者状态问题。尝试在循环之前打开 PdfReader 一次以获取页数。将页数存储在变量中。使用该变量作为循环的上限。然后在循环中，为每个页面实例化一个新的 PdfReader，在每次迭代后处理它。

EDIT：原来是文本提取策略是罪魁祸首。它以某种方式保留状态。始终在调用 GetTextFromPage 之前实例化一个新的 SimpleTextExtractionStrategy，或者省略 strategy 参数 - 然后将在内部创建 ITextExtractionStrategy 的默认实现的新实例。