c# - PdfTextExtractor.GetTextFromPage 突然给出空字符串

Question

几年来，我们一直在 SSIS 进程中使用 iTextSharp 库从一组 PDF 考试文档中读取一些值。一切都运行良好，直到本周突然我们在调用 PdfTextExtractor.GetTextFromPage 方法时返回一个空字符串。我将在此处包含代码:

    // Read the data from the blob column where the PDF exists
    byte[] byteBuffer = Row.FileData.GetBlobData(0, (int)Row.FileData.Length);

    using (var pdfReader = new PdfReader(byteBuffer))
    {

        // Here is the important stuff
        var extractStrategy = new LocationTextExtractionStrategy();

        // This call will extract the page with the proper data on it depending on the exam type
        // 1-page exams = NBOME - need to read first page for exam result data
        // 2-page exams = NBME - need to read second page for exam result data
        // The next two statements utilize this construct.
        var vendor = pdfReader.NumberOfPages == 1 ? "NBOME" : "NBME";

        *** THIS NEXT LINE GIVES THE EMPTY STRING
        var newText = PdfTextExtractor.GetTextFromPage(pdfReader, pdfReader.NumberOfPages == 1 ? 1 : 2, extractStrategy);

        var stringList = newText.Split(new string[] { "\r\n", "\n" }, StringSplitOptions.None);

        var fileParser = FileParseFactory.GetFileParse(stringList, vendor);

        // Populate our output variables
        Row.ParsedExamName = fileParser.GetExamName(stringList);
        Row.DateParsed = DateTime.Now;
        Row.ParsedId = fileParser.GetStudentId(stringList);
        Row.ParsedTestDate = fileParser.GetTestDate(stringList);
        Row.ParsedTestDateString = fileParser.GetTestDateAsString(stringList);
        Row.ParsedName = fileParser.GetStudentName(stringList);
        Row.ParsedTotalScore = fileParser.GetTestScore(stringList);
        Row.ParsedVendor = vendor;
    }

顺便说一下，这并不适用于所有 PDF。为了解释更多，我们正在阅读考试文件。其中一种考试类型 (NBME) 似乎读起来还不错。然而，另一种类型(NBOME)则不是。然而，在本周之前，NBOME 的阅读情况还不错。

这让我认为这是 PDF 文件本身的内部格式更改。

另外，还有一点信息是实际的 pdfReader 有数据——我可以获得数据的 byte[] 数组——但是获取任何文本的调用只是给我空的。

很抱歉，我无法显示任何考试数据或文件 - 这些信息属于敏感信息。

有没有人见过这样的东西？如果是这样，有什么可能的解决方案吗？

Answer 1

嗯 - 我们已经找到了答案。用户最初是去 NBOME 网站并下载 PDF 考试结果文件以导入我的解析系统。就像我说的，这工作了很长一段时间。然而，最近(本周)，用户开始不下载文件，而是使用 PDF 打印功能并将 PDF 文件打印为 PDF。当她这样做时，问题出现了。

最重要的是，看起来将 PDF 打印为 PDF 可能已经在幕后注入(inject)了一些字符或某些东西，这导致通过 iTextSharp 读取 PDF 不会失败，但会给出一个空字符串。她应该直接继续下载它们。

感谢那些提出意见的人!