如何在C#中使用iTextSharp获取pdf文件中的特定段落？

Question

我在我的C#winform应用程序中使用iTextSharp.我想获得PDF文件中的特定段落.这可能在iTextSharp中吗？

Answer 1

是的,不是.

首先是没有.PDF格式没有文本结构的概念,例如段落,句子甚至单词,它只有文本的运行.两行文本彼此接近,以便我们将它们视为结构化这一事实是人类的事情.当您在PDF中看到看起来像三行段落的内容时,实际上生成PDF的程序实际上完成了将文本切割成三个不相关的文本行,然后在特定的x,y坐标处绘制每一行的工作.更糟糕的是,根据设计师的需求,每行文本都可以由较小的运行组成,可以是单词,甚至只是字符.所以它可能是draw "the cat in the hat" at 10,10或者它可能是draw "t" at 10,10, then draw "h" at 14,10, then draw "e" at 18,10等等.对于像Adobe InDesign这样设计精良的程序中的PDF来说,这实际上很常见.

现在是的.实际上它可能是一个.如果你愿意做一些工作,你可能会得到iTextSharp来做你想要的.有一个被调用的类PdfTextExtractor有一个被调用的方法GetTextFromPage,它将从页面中获取所有原始文本.此方法的最后一个参数是实现ITextExtractionStrategy接口的对象.如果您创建自己的实现此接口的类,则可以处理每个文本运行并执行您自己的逻辑.

在这个接口中有一个调用的方法RenderText,每次运行都会调用它.您将获得一个iTextSharp.text.pdf.parser.TextRenderInfo对象,您可以从该对象中获取运行中的原始文本以及其他内容,例如当前开始的坐标,当前字体等.由于可视文本行可以由多个运行组成,您可以使用此方法将运行的基线(起始x坐标)与上一次运行进行比较,以确定它是否属于同一视线.

以下是该接口的实现示例:

    public class TextAsParagraphsExtractionStrategy : iTextSharp.text.pdf.parser.ITextExtractionStrategy {
        //Text buffer
        private StringBuilder result = new StringBuilder();

        //Store last used properties
        private Vector lastBaseLine;

        //Buffer of lines of text and their Y coordinates. NOTE, these should be exposed as properties instead of fields but are left as is for simplicity's sake
        public List<string> strings = new List<String>();
        public List<float> baselines = new List<float>();

        //This is called whenever a run of text is encountered
        public void RenderText(iTextSharp.text.pdf.parser.TextRenderInfo renderInfo) {
            //This code assumes that if the baseline changes then we're on a newline
            Vector curBaseline = renderInfo.GetBaseline().GetStartPoint();

            //See if the baseline has changed
            if ((this.lastBaseLine != null) && (curBaseline[Vector.I2] != lastBaseLine[Vector.I2])) {
                //See if we have text and not just whitespace
                if ((!String.IsNullOrWhiteSpace(this.result.ToString()))) {
                    //Mark the previous line as done by adding it to our buffers
                    this.baselines.Add(this.lastBaseLine[Vector.I2]);
                    this.strings.Add(this.result.ToString());
                }
                //Reset our "line" buffer
                this.result.Clear();
            }

            //Append the current text to our line buffer
            this.result.Append(renderInfo.GetText());

            //Reset the last used line
            this.lastBaseLine = curBaseline;
        }

        public string GetResultantText() {
            //One last time, see if there's anything left in the buffer
            if ((!String.IsNullOrWhiteSpace(this.result.ToString()))) {
                this.baselines.Add(this.lastBaseLine[Vector.I2]);
                this.strings.Add(this.result.ToString());
            }
            //We're not going to use this method to return a string, instead after callers should inspect this class's strings and baselines fields.
            return null;
        }

        //Not needed, part of interface contract
        public void BeginTextBlock() { }
        public void EndTextBlock() { }
        public void RenderImage(ImageRenderInfo renderInfo) { }
    }

要打电话给我们,我们会这样做:

        PdfReader reader = new PdfReader(workingFile);
        TextAsParagraphsExtractionStrategy S = new TextAsParagraphsExtractionStrategy();
        iTextSharp.text.pdf.parser.PdfTextExtractor.GetTextFromPage(reader, 1, S);
        for (int i = 0; i < S.strings.Count; i++) {
            Console.WriteLine("Line {0,-5}: {1}", S.baselines[i], S.strings[i]);
        }

我们实际上是丢弃了价值GetTextFromPage,而是检查了工人baselines和strings数组字段.下一步是比较基线并尝试确定如何将线组合在​​一起成为段落.

我应该注意,并非所有段落的间距都与单独的文本行不同.例如,如果您通过上面的代码运行下面创建的PDF,您将看到每行文本彼此相距18个点,无论该行是否形成新段落.如果您打开它在Acrobat中创建的PDF并覆盖除了每行的第一个字母之外的所有内容,您将看到您的眼睛甚至无法区分换行符和段落符号.

        using (FileStream fs = new FileStream(workingFile, FileMode.Create, FileAccess.Write, FileShare.None)) {
            using (Document doc = new Document(PageSize.LETTER)) {
                using (PdfWriter writer = PdfWriter.GetInstance(doc, fs)) {
                    doc.Open();
                    doc.Add(new Paragraph("Lorem ipsum dolor sit amet, consectetuer adipiscing elit. Maecenas porttitor congue massa. Fusce posuere, magna sed pulvinar ultricies, purus lectus malesuada libero, sit amet commodo magna eros quis urna."));
                    doc.Add(new Paragraph("This"));
                    doc.Add(new Paragraph("Is"));
                    doc.Add(new Paragraph("A"));
                    doc.Add(new Paragraph("Test"));
                    doc.Close();
                }
            }
        }