c# - iTextSharp 从特定位置读取

Question

从 PDF 文件读取数据时，我在使用 iTextSharp 时遇到问题。我想要实现的是只读取 PDF 页面的特定部分(我只想检索位于固定位置的地址信息)。我在阅读以下所有页面时看到了 iTextSharp 的用法:

        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();

但是我怎样才能将它限制在特定位置呢？我愿意使用任何东西，甚至是 OCR 技术，因为将来可能会发生某些文件将是图像的情况(但目前不是必需的)。此项目仅供本人使用，请勿用于商业用途。

谢谢!

Answer 1

您正在使用 SimpleTextExtractionStrategy 而不是 LocationTextExtractionStrategy。请阅读官方文档和附带的示例 ( Java/C# )。如果 rect 是一个基于您地址坐标的矩形，您需要:

RenderFilter[] filter = {new RegionTextRenderFilter(rect)};
ITextExtractionStrategy strategy;
StringBuilder sb = new StringBuilder();
for (int i = 1; i <= reader.NumberOfPages; i++) {
    strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), filter);
    sb.AppendLine(PdfTextExtractor.GetTextFromPage(reader, i, strategy));
}

现在您将获得与 rect 相交的所有文本片段(因此部分文本可能在 rect 之外，iText 不会在其中剪切文本片段件)。

请注意，您可以使用以下方法获取页面的 MediaBox:

Rectangle mediabox = reader.GetPageSize(pagenum);

左下角坐标为x = mediabox.Left and y = mediabox.Bottom;右上角的坐标是 x = mediabox.Right 和 y = mediabox.Top。

x的值从左到右递增； y 的值从底部到顶部增加。 PDF 中度量系统的单位称为“用户单位”。默认情况下，一个用户单位与一个点重合(这可以更改，但您不会找到许多具有不同 UserUnit 值的 PDF)。在正常情况下，72 个用户单位 = 1 英寸。