c# - 如何使用 iTextSharp 4.1.6 提取文本？

Question

iTextSharp 4.1.6 是根据 LGPL 许可的最新版本，可免费用于商业目的，无需支付许可费。

对于某些人和我来说，如何使用此版本提取文本可能很有趣。

有没有人有想法？

Answer 1

因为我和你在同一条船上，所以我不得不手动将它们组合在一起。希望这对您有所帮助。它可能并不完美，但我能够通过这种方式从文档中获取我需要的文本。 fileName 是 PDF 文件的字符串变量/参数。

var reader = new PdfReader(fileName);

StringBuilder sb = new StringBuilder();

try
{
    for (int page = 1; page <= reader.NumberOfPages; page++)
    {
        var cpage = reader.GetPageN(page);
        var content = cpage.Get(PdfName.CONTENTS);

        var ir = (PRIndirectReference)content;

        var value = reader.GetPdfObject(ir.Number);

        if (value.IsStream())
        {
            PRStream stream = (PRStream)value;

            var streamBytes = PdfReader.GetStreamBytes(stream);

            var tokenizer = new PRTokeniser(new RandomAccessFileOrArray(streamBytes));

            try
            {
                while (tokenizer.NextToken())
                {
                    if (tokenizer.TokenType == PRTokeniser.TK_STRING)
                    {
                        string str = tokenizer.StringValue;
                        sb.Append(str);
                    }
                }
            }
            finally
            {
                tokenizer.Close();
            }
        }
    }
}
finally
{
    reader.Close();
}

return sb.ToString();