[英]How to get Tags from pdf document in c#
我正在使用iTextSharp读取pdf文档,并且读取成功。 现在,我想从pdf文档中获取标签,但是我不知道如何使用iTextSharp获取标签。
代码如下
class Program
{
static void Main(string[] args)
{
var result = pdfText(@"C:\Users\Purelogics\Desktop\tranfer\tagged.pdf");
}
public static string pdfText(string path)
{
PdfReader reader = new PdfReader(path);
//This line return true that means this document is tagged
bool isTagged = reader.IsTagged();
var metadeta = reader.Metadata;
IList<Dictionary<string, object>> bookmarks = SimpleBookmark.GetBookmark(reader);
string text = string.Empty;
var title = reader.Info["Title"];
for (int page = 1; page <= reader.NumberOfPages; page++)
{
var object1 = reader.GetPdfObject(page);
text += PdfTextExtractor.GetTextFromPage(reader, page);
}
reader.Close();
return text;
}
}
这完全取决于您要如何使用此标记。 假设您要提取标记为\\P
所有内容(段落)
首先,您需要获取文档的structuretree根
File inputFile = new File("input.pdf");
PdfDocument pdfDocument = new PdfDocument(new PdfReader(inputFile));
IStructureNode root = pdfDocument.getStructTreeRoot();
既然您具有structuretree根,就可以对树进行爬网。 通过堆栈或递归。 在此示例中,我使用递归。
private Set<PdfNameMCIDGroup> find(PdfDocument pdfDocument, IStructureNode node){
Set<PdfNameMCIDGroup> out = new HashSet<>();
PdfName role = node.getRole();
if(markedRoles.contains(role))
out.add(mark(pdfDocument, node));
else
for(IStructureNode kid : node.getKids())
out.addAll(find(pdfDocument, kid));
return out;
}
这就是mark
方法的样子
private PdfNameMCIDGroup mark(PdfDocument pdfDocument, IStructureNode node){
PdfNameMCIDGroup out = new PdfNameMCIDGroup(0);
Set<PdfMcr> leaves = new HashSet<>();
Stack<IStructureNode> stk = new Stack<>();
stk.push(node);
while(!stk.isEmpty()){
IStructureNode tmp = stk.pop();
if(tmp instanceof PdfMcr)
leaves.add((PdfMcr) tmp);
else
for(IStructureNode kid : tmp.getKids())
stk.push(kid);
}
// mcids
for(PdfMcr mcr : leaves){
int mcid = mcr.getMcid();
int pageNr = pdfDocument.getPageNumber(mcr.getPageObject());
out.mcids.add(mcid);
out.pageNrs.add(pageNr);
}
return out;
}
这些方法背后的想法是, find
将遍历树的层次结构。 并且只要与角色之一匹配, mark
就会处理该节点。
这段代码将我们带到了解决方案的一半。 现在,无论使用\\P
标记什么内容,我们都有标记的内容ID
现在,我们实际上需要提取与这些ID匹配的渲染指令。
为此,您需要编写自己的IEventListener
。 此类可以传递给CanvasProcessor
,然后每次解析器完成对指令的处理时都会得到通知。
public void eventOccurred(IEventData iEventData, EventType eventType) {
if(eventType == EventType.RENDER_TEXT)
{
TextRenderInfo tri = (TextRenderInfo) iEventData;
int mcID = tri.getMcid();
// this is where you can do something with it
}
}
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.