c# - iTextSharp 如何读取 PDF 文件中的表格

Question

我正在将 PDF 转换为文本。我可以正确地从 PDF 中获取文本，但它的表格结构很复杂。我知道 PDF 不支持表格结构，但我认为有一种方法可以正确获取单元格。嗯，例如:

我想转换成这样的文本:

> This is first example.

> This is second example.

但是，当我将 PDF 转换为文本时，这些数据看起来像这样:

> This is This is

> first example. second example.

如何正确获取值？

--编辑:

以下是我如何将 PDF 转换为文本:

OpenFileDialog ofd = new OpenFileDialog();
        string filepath;
        ofd.Filter = "PDF Files(*.PDF)|*.PDF|All Files(*.*)|*.*";

        if (ofd.ShowDialog() == DialogResult.OK)
        {
            filepath = ofd.FileName.ToString();

            string strText = string.Empty;
            try
            {
                PdfReader reader = new PdfReader(filepath);

                for (int page = 1; page < reader.NumberOfPages; page++)
                {
                    ITextExtractionStrategy its = new iTextSharp.text.pdf.parser.LocationTextExtractionStrategy();
                    string s = PdfTextExtractor.GetTextFromPage(reader, page, its);

                    s = Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(s)));
                    strText += s;
                }
                reader.Close();
             }
             catch (Exception ex)
            {
                MessageBox.Show(ex.Message);
            }
        }

Answer 1

要使我的评论成为实际答案...

您使用 LocationTextExtractionStrategy 进行文本提取:

ITextExtractionStrategy its = new iTextSharp.text.pdf.parser.LocationTextExtractionStrategy();
string s = PdfTextExtractor.GetTextFromPage(reader, page, its);

此策略将它找到的所有文本从上到下排列成从左到右的行(实际上还考虑了文本行的角度)。因此，从包含多行内容的单元格的表格中提取文本显然不是您所需要的。

根据所讨论的文档，可以采用不同的方法:

• 如果相关文档中的文本绘制操作已经符合文本提取所需的顺序，请使用 iText SimpleTextExtractionStrategy。
• 使用自定义文本提取策略，如果正确标记了文档表，该策略会使用标记信息。
• 使用复杂的自定义文本提取策略，尝试从文本排列、线条路径或背景颜色中获取提示，以猜测表格单元格结构并逐个单元格地提取文本。

在这种情况下，OP 评论说他将 LocationTextExtractionStrategy 更改为 SimpleTextExtractionStrategy，然后它起作用了。