c# - 如何在 C# 中使用 iTextSharp 获取 pdf 文件中的特定段落？

Question

我在我的 C# winform 应用程序中使用 iTextSharp。我想获取 PDF 文件中的特定段落。这在 iTextSharp 中可能吗？

Answer 1

是也不是。

首先是编号。 PDF 格式没有段落、句子甚至单词等文本结构的概念，它只有一连串的文本。事实上，两行文本彼此接近，以至于我们认为它们是结构化的，这是人类的事情。当您在 PDF 中看到看起来像三行段落的内容时，实际上生成 PDF 的程序实际上是将文本分成三个不相关的文本行，然后在特定的 x,y 坐标处绘制每一行。更糟糕的是，根据设计师的需要，每一行文本都可能由更小的行组成，这些行可能是单词，甚至只是字符。所以它可能是 在 10,10 处绘制“戴帽子的猫” 或者它可能是 在 10,10 处绘制“t”，然后在 14,10 处绘制“h”，然后在 18,10 处绘制“e”，依此类推。这对于来自 Adob​​e InDesign 等精心设计的程序的 PDF 实际上很常见。

现在是的。实际上它可能。如果您愿意做一些工作，您也许可以让 iTextSharp 做您正在寻找的事情。有一个名为 PdfTextExtractor 的类，它有一个名为 GetTextFromPage 的方法，可以从页面中获取所有原始文本。此方法的最后一个参数是一个实现 ITextExtractionStrategy 接口(interface)的对象。如果您创建自己的类来实现此接口(interface)，您可以处理每行文本并执行您自己的逻辑。

在这个接口(interface)中有一个名为 RenderText 的方法，每次运行文本时都会调用该方法。您将获得一个 iTextSharp.text.pdf.parser.TextRenderInfo 对象，您可以从该对象中获取运行中的原始文本以及其他信息，例如它开始的当前坐标、当前字体等。由于文本的视线可以由多个运行组成，您可以使用此方法将运行的基线(起始 x 坐标)与上一次运行进行比较，以确定它是否是同一视线的一部分。

下面是该接口(interface)的一个实现示例:

    public class TextAsParagraphsExtractionStrategy : iTextSharp.text.pdf.parser.ITextExtractionStrategy {
        //Text buffer
        private StringBuilder result = new StringBuilder();

        //Store last used properties
        private Vector lastBaseLine;

        //Buffer of lines of text and their Y coordinates. NOTE, these should be exposed as properties instead of fields but are left as is for simplicity's sake
        public List<string> strings = new List<String>();
        public List<float> baselines = new List<float>();

        //This is called whenever a run of text is encountered
        public void RenderText(iTextSharp.text.pdf.parser.TextRenderInfo renderInfo) {
            //This code assumes that if the baseline changes then we're on a newline
            Vector curBaseline = renderInfo.GetBaseline().GetStartPoint();

            //See if the baseline has changed
            if ((this.lastBaseLine != null) && (curBaseline[Vector.I2] != lastBaseLine[Vector.I2])) {
                //See if we have text and not just whitespace
                if ((!String.IsNullOrWhiteSpace(this.result.ToString()))) {
                    //Mark the previous line as done by adding it to our buffers
                    this.baselines.Add(this.lastBaseLine[Vector.I2]);
                    this.strings.Add(this.result.ToString());
                }
                //Reset our "line" buffer
                this.result.Clear();
            }

            //Append the current text to our line buffer
            this.result.Append(renderInfo.GetText());

            //Reset the last used line
            this.lastBaseLine = curBaseline;
        }

        public string GetResultantText() {
            //One last time, see if there's anything left in the buffer
            if ((!String.IsNullOrWhiteSpace(this.result.ToString()))) {
                this.baselines.Add(this.lastBaseLine[Vector.I2]);
                this.strings.Add(this.result.ToString());
            }
            //We're not going to use this method to return a string, instead after callers should inspect this class's strings and baselines fields.
            return null;
        }

        //Not needed, part of interface contract
        public void BeginTextBlock() { }
        public void EndTextBlock() { }
        public void RenderImage(ImageRenderInfo renderInfo) { }
    }

我们会这样调用它:

        PdfReader reader = new PdfReader(workingFile);
        TextAsParagraphsExtractionStrategy S = new TextAsParagraphsExtractionStrategy();
        iTextSharp.text.pdf.parser.PdfTextExtractor.GetTextFromPage(reader, 1, S);
        for (int i = 0; i < S.strings.Count; i++) {
            Console.WriteLine("Line {0,-5}: {1}", S.baselines[i], S.strings[i]);
        }

我们实际上丢弃了 GetTextFromPage 中的值，而是检查工作人员的 baselines 和 strings 数组字段。下一步是比较基线并尝试确定如何将行组合在一起成为段落。

我应该注意，并非所有段落的间距都与各行文本不同。例如，如果您通过上面的代码运行下面创建的 PDF，您会看到每一行文本彼此相距 18 磅，无论该行是否构成一个新段落。如果您打开它在 Acrobat 中创建的 PDF 并覆盖除了每一行的第一个字母之外的所有内容，您会发现您的眼睛甚至无法分辨换行符和段落符之间的区别。

        using (FileStream fs = new FileStream(workingFile, FileMode.Create, FileAccess.Write, FileShare.None)) {
            using (Document doc = new Document(PageSize.LETTER)) {
                using (PdfWriter writer = PdfWriter.GetInstance(doc, fs)) {
                    doc.Open();
                    doc.Add(new Paragraph("Lorem ipsum dolor sit amet, consectetuer adipiscing elit. Maecenas porttitor congue massa. Fusce posuere, magna sed pulvinar ultricies, purus lectus malesuada libero, sit amet commodo magna eros quis urna."));
                    doc.Add(new Paragraph("This"));
                    doc.Add(new Paragraph("Is"));
                    doc.Add(new Paragraph("A"));
                    doc.Add(new Paragraph("Test"));
                    doc.Close();
                }
            }
        }