如何使用 itextsharp 从表格结构的 PDF 中读取数据？

Question

我在从 pdf 文件中读取一些数据时遇到问题。
我的文件是结构化的，它包含表格和纯文本。标准解析器从同一行的不同列中读取数据。例如：

一些表头 数据 Col1a 数据 Col2a 数据 Col3a 数据 Col1b 数据 Col2b 数据 Col3b 数据 Col2c

使用此代码

        PdfReader reader = new PdfReader(pdfName);

        List<String> text = new List<String>();
        String page;
        List<String> pageStrings;
        string[] separators = { "\n", "\r\n" };

        for (int i = 1; i <= reader.NumberOfPages; i++)
        {
            page = PdfTextExtractor.GetTextFromPage(reader, i);
            pageStrings = new List<string>(page.Split(separators, StringSplitOptions.RemoveEmptyEntries));
            text.AddRange(pageStrings);

        }

        reader.Close();

        return text;

将被连接成字符串：

一些表头 数据 Col1a 数据 Col2a 数据 Col3a 数据 Col1b 数据 Col2b 数据 Col3b 数据 Col2c

我想获得能够反映块数据的连接字符串。我想为上面的例子获取这样的字符串：

一些表头 数据 Col1a 数据 Col1b 数据 Col2a 数据 Col2b 数据 Col2c 数据 Col3a 数据 Col3b

有谁知道如何调整 itextsharp 以获得 pdf 解析器的这种行为？ 也许有人有合适的代码示例？
示例 PDF 文件为here

Answer 1

OP 的示例文件包含多个类似这样的部分：

以及评论中提到的OP：

另一种工具可以完全按照我的意愿解析我的 PDF。 [...]

PS：这个工具是pdfbox

在此方法中使用PDFBox（v1.8.10，当前发布版本）：

String extract(PDDocument document) throws IOException
{
    PDFTextStripper stripper = new PDFTextStripper();
    return stripper.getText(document);
}

返回上面显示的部分

Driver Book for 8/5/2015
Company IS MEDICAL; AND Date of Service IS BETWEEN 08/05/2015 AND 08/05/2015; AND Status IS Assigned; AND Vehicles IS  MEDICAL: 
CATY
 MEDICAL
Trip #: 314-A
Comments: ----LIVERY---
Destination:Pick-up:
Call Type: Livery
<Doctor Office>
REGO PARK,  (631) 
000-0000
(718) 896-5953
74- AVE 204E  HEIGHTS, NY 
11372 (718) 639-4154
11:00:00 PAT, MIKHAIL
Trip #: 314-B
Comments:  ----LIVERY---
Destination:Pick-up:
Call Type: Livery
74- AVE 204E  HEIGHTS, NY 
11372 (718) 639-4154
<Doctor Office>
63-6 REGO PARK, NY 
11374 (631) 000-0000
11:01:00 PAT, MIKHAIL

这并不是真正的按列提取，但某些信息块（如地址块）保持在一起。

使用 iText(Sharp) 获得相同的输出实际上非常简单：只需显式使用 SimpleTextExtractionStrategy 而不是默认使用的 LocationTextExtractionStrategy，即必须替换这一行

page = PdfTextExtractor.GetTextFromPage(reader, i);

通过

page = PdfTextExtractor.GetTextFromPage(reader, i, new SimpleTextExtractionStrategy());

除了每个数据集一个空格字符（iText(Sharp) 提取 Destination: Pick-up: 而不是 Destination:Pick-up:）之外，结果是相同的。

---

关于您从 PDFBox 中提取文本的结论：

所以我认为 PDF 是真正的表格结构。

实际上这个提取顺序仅仅意味着在PDF页面内容流中绘制字符串段的操作就是按照这个顺序发生的。由于这些操作的顺序根据 PDF 规范是任意的，因此生成这些 PDF 的软件的任何更新都可能导致 PDFBox PDFTextStripper 和 iText SimpleTextExtractionStrategy 从中提取的文件仅是难以理解的字符汤。

---

PS：如果像这样将 PDFBox PDFTextStripper 属性 SortByPosition 设置为 true

    PDFTextStripper stripper = new PDFTextStripper();
    stripper.setSortByPosition(true);
    return stripper.getText(document);

然后 PDFBox 会像 iText(Sharp) 一样使用（默认）LocationTextExtractionStrategy 提取文本

---

OP 表示对内容流中固有的块结构感兴趣。在通用 PDF 中，最明显的结构就是文本对象（其中可以绘制多个字符串）。

在本例中使用SimpleTextExtractionStrategy。它可以很容易地扩展到在其输出中包含与文本对象的开始和结束相对应的标记。在 Java 中，这可以通过使用这样的匿名类来完成：

return PdfTextExtractor.getTextFromPage(reader, pageNo, new SimpleTextExtractionStrategy()
{
    boolean empty = true;

    @Override
    public void beginTextBlock()
    {
        if (!empty)
            appendTextChunk("<BLOCK>");
        super.beginTextBlock();
    }

    @Override
    public void endTextBlock()
    {
        if (!empty)
            appendTextChunk("</BLOCK>\n");
        super.endTextBlock();
    }

    @Override
    public String getResultantText()
    {
        if (empty)
            return super.getResultantText();
        else
            return "<BLOCK>" + super.getResultantText();
    }

    @Override
    public void renderText(TextRenderInfo renderInfo)
    {
        empty = false;
        super.renderText(renderInfo);
    }
});

(TextExtraction.java 方法extractSimple)

（这段 Java 代码应该很容易翻译成 C#。玩弄 empty 布尔值可能看起来很有趣；但这是必要的，因为基类假定一旦某个块具有某些附加属性已附加到提取的内容中。）

使用这种扩展策略，可以得到上面显示的部分：

<BLOCK>Driver Book for 8/5/2015
Company IS MEDICAL; AND Date of Service IS BETWEEN 08/05/2015 AND 08/05/2015; AND Status IS Assigned; AND Vehicles IS  MEDICAL: 
CATY</BLOCK>
<BLOCK>
 MEDICAL</BLOCK>
<BLOCK>
Trip #: 314-A</BLOCK>
<BLOCK>
Comments: ----LIVERY---</BLOCK>
<BLOCK>
Destination: Pick-up:</BLOCK>
<BLOCK>
Call Type: Livery
<Doctor Office>
REGO PARK,  (631) 
000-0000
(718) 896-5953</BLOCK>
<BLOCK>
74- AVE 204E  HEIGHTS, NY 
11372 (718) 639-4154</BLOCK>
<BLOCK>
11:00:00</BLOCK>
<BLOCK> PAT, MIKHAIL</BLOCK>
<BLOCK>
Trip #: 314-B</BLOCK>
<BLOCK>
Comments:  ----LIVERY---</BLOCK>
<BLOCK>
Destination: Pick-up:</BLOCK>
<BLOCK>
Call Type: Livery
74- AVE 204E  HEIGHTS, NY 
11372 (718) 639-4154</BLOCK>
<BLOCK>
<Doctor Office>
63-6 REGO PARK, NY 
11374 (631) 000-0000</BLOCK>
<BLOCK>
11:01:00</BLOCK>
<BLOCK> PAT, MIKHAIL</BLOCK>

由于这将地址保持在同一块中，这可能有助于提取。