使用 c# 打印 PDF 文件的每一行

Question

我有一个存储在服务器 url 中的 pdf 文件，我想获取文件的每一行，我想稍后将其导出到一个 excel 文件，所以我需要逐行获取每一行，我将把代码放在这里。 OBS： pdf 的 url 在 3 小时后停止工作，我将始终在评论中更新它。 谢谢。

using System;
using System.Net.Http;
using System.Threading.Tasks;
                    
    public class Program
    {
        public static async Task Main()
        {
                var pdfUrl = "https://eproc.trf4.jus.br/eproc2trf4/controlador.php?acao=acessar_documento_implementacao&doc=41625504719486351366932807019&evento=20084&key=4baa2515293382eb41b2a95e121550490b5b154f1c4c06e8b0469eff082311e6&hash=3112f8451af24a1a5c3e69afab09f079&termosPesquisados=";
                var client = new HttpClient();
                var response = await client.GetAsync(pdfUrl);
    
                using (var stream = await response.Content.ReadAsStreamAsync())
                {
                    Console.WriteLine("print each line of my pdf file");
                }
        }
    }

Answer 1

好吧，从 PDF 中提取文本不是一项普通的任务。 如果您需要真正通用的解决方案适用于任何 pdf，那么这里最先进的解决方案是使用基于 AI 的 API，例如由 Google、AWS 或 Azure 等一些云平台提供：

https://cloud.google.com/vision/docs/pdf

https://docs.microsoft.com/en-us/azure/applied-ai-services/form-recognizer/

https://docs.aws.amazon.com/prescriptive-guidance/latest/patterns/automatically-extract-content-from-pdf-files-using-amazon-textract.html

因此，将 pdf 读取为字节，将字节发送到基于 AI 的外部 API，然后接收解析后的内容。

当然，你需要做一些准备才能使用上面提到的云服务，而且需要一些钱

Answer 2

我怎样才能最好地解释为什么您需要像 pdftotext 这样的 pdf 解压缩器，即，由应用程序解码时的第一行（这不是原始字节流）分为三个独立的部分。 幸运的是整个单词字符串（他们不需要），幸运的是在这种情况下来自同一个 ascii 字体表。

BT /F1 12.00 Tf ET
BT 42.52 793.70 Td (Espelho de Valores Atualizados.) Tj ET
BT /F1 12.00 Tf ET
BT 439.37 793.70 Td (Data: ) Tj ET
BT 481.89 793.70 Td (05/07/2021) Tj ET 

因此我们可以很容易地看到，当转换为 ascii 时，所有三个部分都处于 793.70 级别，因此 lib 可以假设它们是只有 3 个不同偏移量的一行，因此您需要一个第 3 方 lib 来解码和重新组合一行文本，就好像它一样只是一个行字符串。 这需要首先将 pdf 保存为文件，将整个文件解析为几种常见的编码，如 ascii、hex 和 UTF-16 混合（通常没有 UTF-8），然后将它们保存为 UTF-8 编码的纯文本文件，然后你可以根据需要提取UTF-8行。

不清楚您希望的行输出格式是什么，因为 PDF 没有编号的行，但是如果我们根据人类的布局概念将数字分配给带有文本（有些没有）的行，我们可以使用 poppler utils 和 native 运行几行操作系统文本解析。 这里 Cme 可以有循环和参数，但为了演示而硬编码。 请注意，控制台输出需要本地 chcp，但文本文件很好

Poppler\poppler-22.04.0\Library\bin>Cme.bat |more

@curl -o brtemp.pdf "https://eproc.trf4.jus.br/eproc2trf4/controlador.php?acao=acessar_documento_implementacao&doc=41625504719486351366932807019&evento=20084&key=c6c5f83e942a3ee021a874f6287505c1cb484235935ff1305c6081893e3481b1&hash=922cacb9024f200d13d3f819e2e906f4&termosPesquisados="
@pdftotext -f 1 -l 1 -nopgbrk -layout -enc UTF-8 brtemp.pdf page1.txt
@pdftotext -f 2 -l 2 -nopgbrk -layout -enc UTF-8 brtemp.pdf page2.txt
@find /N /V "Never2BFound" page1.txt
@find /N /V "Never2BFound" page2.txt

回应

  % Total    % Received % Xferd  Average Speed   Time    Time     Time  Current
                                 Dload  Upload   Total   Spent    Left  Speed
100  3749  100  3749    0     0   4051      0 --:--:-- --:--:-- --:--:--  4052

---------- PAGE1.TXT
[1]Espelho de Valores Atualizados.                                    Data:   05/07/2021
[2]

第1页.txt

Espelho de Valores Atualizados.                                    Data:   05/07/2021

PROCESSO         : 5018290-57.2021.4.04.9388
ORIGINÁRIO       : 5002262-05.2018.4.04.7000/PR
TIPO             : Precatório

REQUERENTE       : ERCILIA GRACIE RIBEIRO
ADVOGADO         : ANA PAULA HORIGUCHI - PR064269

REQUERIDO  : INSTITUTO NACIONAL DO SEGURO SOCIAL - INSS
PROCURADOR : PROCURADORIA REGIONAL FEDERAL DA 4 REGIÃO - PRF4

DEPRECANTE       : Juízo Substituto da 10ª VF de Curitiba

ETC.....