Itextsharp 文本提取答案

【问题标题】：Itextsharp text extractionItextsharp 文本提取
【发布时间】：2011-01-17 08:08:47
【问题描述】：

我在 vb.net 上使用 itextsharp 从 pdf 文件中获取文本内容。该解决方案适用于某些文件，但不适用于其他甚至非常简单的文件。问题是token stringvalue设置为null（一组空方框）

token = New iTextSharp.text.pdf.PRTokeniser(pageBytes)
    While token.NextToken()
        tknType = token.TokenType()
        tknValue = token.StringValue

我可以测量内容的长度，但我无法获取实际的字符串内容。

我意识到这取决于 pdf 的字体。如果我使用 Acrobat 或带有 Courier 的 PdfCreator 创建 pdf（顺便说一句，这是我的 Visual Studio 编辑器中的默认字体），我可以获得所有文本内容。如果使用不同的字体构建相同的 pdf，我会得到空方框。

现在的问题是，如何在不考虑字体设置的情况下提取文本？

谢谢

【问题讨论】：

标签： c# itextsharp

【解决方案1】：

Mark 的回答对我有很大帮助的补充。iTextSharp 实现命名空间和类与 java 版本有点不同

 public static string GetTextFromAllPages(String pdfPath)
    {
        PdfReader reader = new PdfReader(pdfPath); 

        StringWriter output = new StringWriter();  

        for (int i = 1; i <= reader.NumberOfPages; i++) 
            output.WriteLine(PdfTextExtractor.GetTextFromPage(reader, i, new SimpleTextExtractionStrategy()));

        return output.ToString();
    }

【讨论】：

+1 提供完整的代码示例，而不仅仅是一行
是否可以使用 itextsharp 提取“ftp 服务器”上的文件？
@Munavvar ，不幸的是我没有这样的经历。但通常您可以从文件流或二进制文件的 frs 中读取 FTP 并提供 ItextSharp
有时返回一个空（只有空格）可能是什么原因？
@Nerdintraining，有时请更准确地说，可能是通过了异常的 pdf 格式，或者当页面实际上是必须首先进行 OCRed 处理的图像时。

【解决方案2】：

查看PdfTextExtractor。

String pageText = 
  PdfTextExtractor.getTextFromPage(myReader, pageNum);

或

String pageText = 
  PdfTextExtractor.getTextFromPage(myReader, pageNum, new LocationTextExtractionStrategy());

两者都需要相当新版本的 iText[Sharp]。实际上，此时自己解析内容流只是重新发明轮子。省去自己的痛苦，让 iText 为你做这件事。

PdfTextExtractor 将为您处理所有不同的字体/编码问题......无论如何都可以处理的所有问题。如果您无法准确地从 Reader 复制/粘贴，则 PDF 中没有足够的信息来从内容流中获取字符信息。

【讨论】：

【解决方案3】：

如果有人需要，这里是 iTextSharp.text.pdf.PdfName.ANNOTS 和 iTextSharp.text.pdf.PdfName.CONTENT 的变体。

        string strFile = @"C:\my\path\tothefile.pdf";
        iTextSharp.text.pdf.PdfReader pdfRida = new iTextSharp.text.pdf.PdfReader(strFile);
        iTextSharp.text.pdf.PRTokeniser prtTokeneiser;
        int pageFrom = 1;
        int pageTo = pdfRida.NumberOfPages;
        iTextSharp.text.pdf.PRTokeniser.TokType tkntype ;
        string tknValue;

        for (int i = pageFrom; i <= pageTo; i++) 
        {
            iTextSharp.text.pdf.PdfDictionary cpage = pdfRida.GetPageN(i);
            iTextSharp.text.pdf.PdfArray cannots = cpage.GetAsArray(iTextSharp.text.pdf.PdfName.ANNOTS);

            if(cannots!=null)
                foreach (iTextSharp.text.pdf.PdfObject oAnnot in cannots.ArrayList) 
                {
                    iTextSharp.text.pdf.PdfDictionary cAnnotationDictironary = (iTextSharp.text.pdf.PdfDictionary)pdfRida.GetPdfObject(((iTextSharp.text.pdf.PRIndirectReference)oAnnot).Number);

                    iTextSharp.text.pdf.PdfObject moreshit = cAnnotationDictironary.Get(iTextSharp.text.pdf.PdfName.CONTENTS);
                    if (moreshit != null && moreshit.GetType() == typeof(iTextSharp.text.pdf.PdfString)) 
                    {
                        string cStringVal = ((iTextSharp.text.pdf.PdfString)moreshit).ToString();
                        if (cStringVal.ToUpper().Contains("LOS 8"))
                        { // DO SOMETHING FUN

                        }
                    }
                }
        }
        pdfRida.Close();

【讨论】：