iText C＃閱讀pdf進行正則表達式匹配，僅將這些頁面提取到新的pdf

Question

我正在閱讀現有pdf中的正則表達式匹配問題，然后將這些頁面提取到新的pdf。 我整體上遇到了一些問題。

我決定清醒一下，從頭開始。 我可以使用以下代碼獲取3頁pdf並將頁面分別提取到新文件中：

static void Main(string[] args)
    {
        string srcFile = @"C:\Users\steve\Desktop\original.pdf";
        string dstFile = @"C:\Users\steve\Desktop\result.pdf";
        PdfReader reader = new PdfReader(srcFile);
        Document document = new Document();
        PdfCopy copy = new PdfCopy(document, new FileStream(dstFile, FileMode.Create));
        document.Open();
        for (int page = 1; page <= reader.NumberOfPages; page++)
        {
            PdfImportedPage importedPage = copy.GetImportedPage(reader, page);
            copy.AddPage(importedPage);
        }
        document.Close();
    }

此代碼有效，因為PdfCopy實例是for循環的OUTSIDE。 我遇到的問題是，我似乎能夠獲得代碼（轉換為文本和查找正則表達式匹配）的唯一方法是將該功能（包括PdfCopy實例）放在for循環中。

這是我最初問題的代碼： C＃iTextSharp - 代碼覆蓋而不是附加頁面

Answer 1

正如@Paulo在評論中提出的那樣：

在進入循環之前，您必須使用正則表達式或其他任何方式選擇頁面。 在循環內部只添加了那些頁面。

在代碼中，這可能如下所示：

string srcFile = @"C:\Users\steve\Desktop\original.pdf";
string dstFile = @"C:\Users\steve\Desktop\result.pdf";

PdfReader reader = new PdfReader(srcFile);
ICollection<int> pagesToKeep = new List<int>();

for (int page = 1; page <= reader.NumberOfPages; page++)
{
    // Use the text extraction strategy of your choice here...
    ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
    string currentText = PdfTextExtractor.GetTextFromPage(reader, page, strategy);

    // Use the content text test of your choice here...
    if (currentText.IndexOf("special") > 0)
    {
        pagesToKeep.Add(page);
    }
}

// Copy selected pages using PdfCopy
Document document = new Document();
PdfCopy copy = new PdfCopy(document, new FileStream(dstFile, FileMode.Create));
document.Open();
foreach (int page in pagesToKeep)
{
    PdfImportedPage importedPage = copy.GetImportedPage(reader, page);
    copy.AddPage(importedPage);
}
document.Close();
reader.Close();

通過使用PdfStamper而不是PdfCopy可以進一步簡化代碼。 只需更換// Copy selected pages using PdfCopy的行

// Copy selected pages using PdfStamper
reader.SelectPages(pagesToKeep);
PdfStamper stamper = new PdfStamper(reader, new FileStream(dstFile, FileMode.Create, FileAccess.Write));
stamper.Close();

后一種變體不僅保留了有問題的頁面，還保留了文檔級材料，例如全局JavaScript，文檔級文件附件等。無論您是否需要，都取決於您的用例。

Answer 2

感謝您的回復mkl。 我回答了我的其他帖子，但忘了這個。 我能夠在我的其他（類似）帖子中使用Chris提供的測試用例。

C＃iTextSharp - 代碼覆蓋而不是附加頁面

通過一些小的調整，我能夠得到下面的解決方案，為我的項目工作。