如何使用 iTextSharp 从 PDF 中提取突出显示的文本？

Question

根据以下帖子： iTextSharp PDF 使用 C# 读取突出显示的文本（突出显示注释）

这段代码：

for (int i = pageFrom; i <= pageTo; i++) {
    PdfDictionary page = reader.GetPageN(i);
    PdfArray annots = page.GetAsArray(iTextSharp.text.pdf.PdfName.ANNOTS);
    if (annots!=null)
        foreach (PdfObject annot in annots.ArrayList) {
            PdfDictionary annotation = (PdfDictionary)PdfReader.GetPdfObject(annot);
            PdfString contents = annotation.GetAsString(PdfName.CONTENTS);
            // now use the String value of contents
        }
    }
}

正在努力提取 PDF 注释。但是为什么以下相同的代码无法突出显示（特别是 PdfName.HIGHLIGHT 不起作用）：

for (int i = pageFrom; i <= pageTo; i++) {
    PdfDictionary page = reader.GetPageN(i);
    PdfArray annots = page.GetAsArray(iTextSharp.text.pdf.PdfName.HIGHLIGHT);
    if (annots!=null)
        foreach (PdfObject annot in annots.ArrayList) {
            PdfDictionary annotation = (PdfDictionary)PdfReader.GetPdfObject(annot);
            PdfString contents = annotation.GetAsString(PdfName.CONTENTS);
            // now use the String value of contents
        }
    }
}

Answer 1

请查看 ISO-32000-1（又称 PDF 参考）中的表 30。它的标题是“页面对象中的条目”。在这些条目中，您可以找到一个名为 的键Annots。其值为：

（可选）注释字典数组，其中应包含对与页面关联的所有注释的间接引用（请参阅第 12.5 节“注释”）。

您将找不到带有诸如 之类的键的条目Highlight，因此当您有以下行时，返回的数组为 null 是正常的：

PdfArray annots = page.GetAsArray(iTextSharp.text.pdf.PdfName.HIGHLIGHT);

您需要按照您已经做的方式获取注释：

PdfArray annots = page.GetAsArray(iTextSharp.text.pdf.PdfName.ANNOTS);

现在您需要循环该数组并查找Subtype等于的 注释Highlight。这种类型的注释列在 ISO-32000-1 的表 169 中，标题为“注释类型”。

换句话说，您认为页面字典包含带有键的条目的假设Highlight是错误的，如果您阅读整个规范，您还会发现您所做的另一个错误假设。您错误地假设突出显示的文本存储在Contents注释条目中。这表明人们对注释与页面内容的本质缺乏了解。

您要查找的文本存储在页面的内容流中。页面的内容流独立于页面的注释。Highlight因此，要获取突出显示的文本，您需要获取存储在注释中（存储在数组中）的坐标QuadPoints，并且需要使用这些坐标来解析页面内容中这些坐标处存在的文本。