使用VB.NET或C＃中的itextsharp dll读取PDF内容

Question

如何使用带有Pdfreader类的itextsharp读取PDF内容。我的PDF可能包含纯文本或文本图像。

Answer 1

您无法像使用iTextSharp一样阅读和解析PDF的内容。

来自iTextSharp的SourceForge教程：

您无法使用iText“解析”现有PDF文件，您只能在每页“读取”该页面。

这是什么意思？

pdf格式只是一个画布，其中放置文本和图形时没有任何结构信息。因此，PDF文件中没有任何“iText-objects”。在每个页面中可能会有许多“字符串”，但您无法使用这些字符串重建短语或段落。可能绘制了许多线条，但您无法根据这些线条检索表格对象。简而言之：使用iText解析PDF文件的内容是不可能的。在新闻组新闻：//comp.text.pdf上发布您的问题，也许您会从那些已经构建了可以解析PDF并提取其内容的工具的人那里得到一些答案，但是不要指望能够执行子弹的工具 - 结构化文本的转换。

Answer 2

LGPL / FOSS iTextSharp 4.x

var pdfReader = new PdfReader(path); //other filestream etc

byte[] pageContent = _pdfReader .GetPageContent(pageNum); //not zero based

byte[] utf8 = Encoding.Convert(Encoding.Default, Encoding.UTF8, pageContent);

string textFromPage = Encoding.UTF8.GetString(utf8);

其他答案都没有对我有用，它们似乎都针对iTextSharp的AGPL v5。我再也找不到任何参考SimpleTextExtractionStrategy或LocationTextExtractionStrategy在FOSS版本。

与此相关的其他可能非常有用的东西：

const string PdfTableFormat = @"\(.*\)Tj";

Regex PdfTableRegex = new Regex(PdfTableFormat, RegexOptions.Compiled);

List<string> ExtractPdfContent(string rawPdfContent)

{

    var matches = PdfTableRegex.Matches(rawPdfContent);

    var list = matches.Cast<Match>()

        .Select(m => m.Value

            .Substring(1) //remove leading (

            .Remove(m.Value.Length - 4) //remove trailing )Tj

            .Replace(@"\)", ")") //unencode parens

            .Replace(@"\(", "(")

            .Trim()

        )

        .ToList();

    return list;

}

这将从PDF中提取仅文本数据，如果显示的文本Foo(bar)将在PDF中编码，则(Foo\(bar\))Tj此方法将按Foo(bar)预期返回。此方法将从原始pdf内容中删除许多其他信息，例如位置坐标。