PDF表格结构

Posted 2021-04-10

我有一个带有表格结构的PDF文件，但我无法将其存储在数据库中，因为PDF文件是Mangal字体。

所以我遇到两个问题：

1. 从PDF中提取表格数据
2. 文字是马拉地语

我已使用以下代码设法为英语执行此操作：

ITextExtractionStrategy strategy = new LocationTextExtractionStrategy(); 
string currentText = PdfTextExtractor.GetTextFromPage(pdfReader, i+1, strategy); 
text.Append(currentText); 
string rawPdfContent = Encoding.UTF8.GetString(Encoding.Convert(Encoding.UTF8, Encoding.UTF8, pdfReader.GetPageContent(i + 1)));

这种编码给出了表格结构，但只有英文字体，想知道马拉地语。

答案

有趣的是，要求没有。 1实际上是最难的。

为了理解原因，您需要了解一下PDF。 PDF不是WYSIWYG格式。如果您在记事本（或记事本++）中打开PDF文件，您将看到它似乎不包含任何人类可读的信息。

实际上，PDF包含告诉查看器程序（如Adobe）如何呈现PDF的指令。

因此，不是在那里有一个实际的表（就像你在html文档中所期望的那样），它将包含如下内容：

• 从..到...画一条线
• 去位置..
• 画出'123'字符
• 将字体设置为Helvetica粗体
• 去位置..
• 从..到...画一条线
• 画出'456'字符
• 等等

另见How does TextRenderInfo work in iTextSharp?

要从PDF中提取表格，您需要做几件事。

• 实现IEventListener（这是一个可以附加到Parser实例的类，Parser将遍历整个页面，并通知所有侦听器，如TextRenderInfo，ImageRenderInfo和PathRenderInfo事​​件）
• 注意PathRenderInfo事​​件
• 构建一个跟踪正在绘制路径的数据结构
• 一旦检测到大约90°角的一组线，就可以假设正在绘制一个表
• 确定适合线簇的最大边界框（这被称为凸包问题，解决它的算法称为礼品包装算法）
• 现在你有了一个矩形，告诉你桌子在哪里（在页面上）。
• 您现在可以递归地在表中应用相同的逻辑来确定行和列
• 您还可以跟踪TextRenderInfo事​​件，并根据适合表格的每个单元格的矩形将它们分类到bin中

这是很多工作。这些都不是微不足道的。事实上，这是人们写博士论文的那种东西。

iText以pdf2Data tool的形式很好地实现了大多数这些算法。

另一答案

码：

ITextExtractionStrategy strategy = new LocationTextExtractionStrategy(); 
string currentText = PdfTextExtractor.GetTextFromPage(pdfReader, i+1, strategy); 
string rawPdfContent = Encoding.UTF8.GetString(Encoding.Convert(Encoding.UTF8, Encoding.UTF8, pdfReader.GetPageContent(i + 1)));

然后我从PDF中识别了线条（水平和垂直）。至于行，PDF有re或m和l关键字。

然后我为从iTextSharp获得的马拉地语文本工作。

然后我合并两个所需的位置我使用代码提取文本 -

Int64 width = Convert.ToInt64(linesVertical[5].StartPoint.X) - Convert.ToInt64(linesVertical[2].StartPoint.X);
                Int64 height = Convert.ToInt64(linesVertical[2].EndPoint.Y) - (Convert.ToInt64(linesVertical[2].StartPoint.Y));
System.util.RectangleJ rect = new System.util.RectangleJ(Convert.ToInt64(linesVertical[2].StartPoint.X), (800 - Convert.ToInt64(linesVertical[2].EndPoint.Y) + 150), width, height);
                RenderFilter[] renderFilter = new RenderFilter[1];
                renderFilter[0] = new RegionTextRenderFilter(rect);
                ITextExtractionStrategy textExtractionStrategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), renderFilter);
                Owner_Name = PdfTextExtractor.GetTextFromPage(reader, 1, textExtractionStrategy);