在 VB.NET 或 C# 中使用 itextsharp dll 读取 PDF 内容

Question

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

Answer 1

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
using System.IO;

public string ReadPdfFile(string fileName)
{
    StringBuilder text = new StringBuilder();

    if (File.Exists(fileName))
    {
        PdfReader pdfReader = new PdfReader(fileName);

        for (int page = 1; page <= pdfReader.NumberOfPages; page++)
        {
            ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
            string currentText = PdfTextExtractor.GetTextFromPage(pdfReader, page, strategy);

            currentText = Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(currentText)));
            text.Append(currentText);
        }
        pdfReader.Close();
    }
    return text.ToString();
}

Answer 2

您无法按照自己的意愿使用iTextSharp读取和解析PDF的内容。

从iTextSharp的SourceForge教程中 ：

您无法使用iText来“解析”现有的PDF文件，而只能每页“读取”它。

这是什么意思？

pdf格式只是一个放置文本和图形的画布，没有任何结构信息。 因此，PDF文件中没有任何“ iText对象”。 每个页面中可能会有许多“字符串”，但是您无法使用这些字符串来重建短语或段落。 可能会画出许多线，但是您不能基于这些线来检索Table对象。 简而言之：使用iText解析PDF文件的内容是不可能的。 将您的问题发布到新闻组news：//comp.text.pdf上，也许您会从那些已经构建了可以解析PDF并提取其某些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项目符号的工具转换为结构化文本。

Answer 3

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。 我在 FOSS 版本中找不到任何对SimpleTextExtractionStrategy或LocationTextExtractionStrategy引用。

与此结合可能非常有用的其他内容：

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;
}

如果显示的文本是Foo(bar)这将从 PDF 中提取纯文本数据，它将在 PDF 中编码为(Foo\\(bar\\))Tj ，此方法将按预期返回Foo(bar) 。 此方法将从原始 pdf 内容中去除大量附加信息，例如位置坐标。

Answer 4

这是一个基于 ShravankumarKumar 解决方案的 VB.NET 解决方案。

这只会给你文本。 这些图像是一个不同的故事。

Public Shared Function GetTextFromPDF(PdfFileName As String) As String
    Dim oReader As New iTextSharp.text.pdf.PdfReader(PdfFileName)

    Dim sOut = ""

    For i = 1 To oReader.NumberOfPages
        Dim its As New iTextSharp.text.pdf.parser.SimpleTextExtractionStrategy

        sOut &= iTextSharp.text.pdf.parser.PdfTextExtractor.GetTextFromPage(oReader, i, its)
    Next

    Return sOut
End Function

Answer 5

就我而言，我只想要 PDF 文档特定区域中的文本，因此我在该区域周围使用了一个矩形并从中提取了文本。 在下面的示例中，坐标用于整个页面。 我没有 PDF 创作工具，所以当需要将矩形缩小到特定位置时，我对坐标进行了一些猜测，直到找到该区域。

Rectangle _pdfRect = new Rectangle(0f, 0f, 612f, 792f); // Entire page - PDF coordinate system 0,0 is bottom left corner.  72 points / inch
RenderFilter _renderfilter = new RegionTextRenderFilter(_pdfRect);
ITextExtractionStrategy _strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), _filter);
string _text = PdfTextExtractor.GetTextFromPage(_pdfReader, 1, _strategy);

正如上述评论所指出的，结果文本不保留 PDF 文档中的任何格式，但是，我很高兴它确实保留了回车符。 就我而言，文本中有足够的常量，我能够提取所需的值。

Answer 6

这是 ShravankumarKumar 的改进答案。 我为页面创建了特殊的类，以便您可以根据文本行和该行中的单词访问 pdf 中的单词。

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;

//create a list of pdf pages
var pages = new List<PdfPage>();

//load the pdf into the reader. NOTE: path can also be replaced with a byte array
using (PdfReader reader = new PdfReader(path))
{
    //loop all the pages and extract the text
    for (int i = 1; i <= reader.NumberOfPages; i++)
    {
        pages.Add(new PdfPage()
        {
           content = PdfTextExtractor.GetTextFromPage(reader, i)
        });
    }
}

//use linq to create the rows and words by splitting on newline and space
pages.ForEach(x => x.rows = x.content.Split('\n').Select(y => 
    new PdfRow() { 
       content = y,
       words = y.Split(' ').ToList()
    }
).ToList());

自定义类

class PdfPage
{
    public string content { get; set; }
    public List<PdfRow> rows { get; set; }
}


class PdfRow
{
    public string content { get; set; }
    public List<string> words { get; set; }
}

现在您可以逐行和单词索引获取单词。

string myWord = pages[0].rows[12].words[4];

或者使用 Linq 查找包含特定单词的行。

//find the rows in a specific page containing a word
var myRows = pages[0].rows.Where(x => x.words.Any(y => y == "myWord1")).ToList();

//find the rows in all pages containing a word
var myRows = pages.SelectMany(r => r.rows).Where(x => x.words.Any(y => y == "myWord2")).ToList();

Answer 7

Public Sub PDFTxtToPdf(ByVal sTxtfile As String, ByVal sPDFSourcefile As String)
        Dim sr As StreamReader = New StreamReader(sTxtfile)
    Dim doc As New Document()
    PdfWriter.GetInstance(doc, New FileStream(sPDFSourcefile, FileMode.Create))
    doc.Open()
    doc.Add(New Paragraph(sr.ReadToEnd()))
    doc.Close()
End Sub