c# - 阅读 PDF 并找到要添加到列表中的特定列

Question

那么谁能找到一种方法来以编程方式只读出 .PDF 文件的一列中的数字？换句话说，是否可以删除一个 PDF 文件并制作一些吸收它的东西，读出所有列？

列的格式如下:

401232111555713

Answer 1

以下代码将使用 iTextSharp 打开任何 PDF 并将其读入字符串:

public static string ReadPdfFile(string fileName)
{
    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();
}

从那里您可以简单地运行一些 REGEX 以使用您布置的模式获取列:

string text = ReadPdfFile(@"path\to\pdf\file.pdf");
Regex regex = new Regex(@"(?<number>\d{15})");
List<string> results = new List<string>();
foreach (Match m in regex.Matches(text))
{
    results.Add(m.Groups["number"].Value);
}