ITextSharp - VB.NET - PdfTextExtractor - PDF 到 TXT - 缺少部分页面文本

Posted 2023-03-07

【中文标题】ITextSharp - VB.NET - PdfTextExtractor - PDF 到 TXT - 缺少部分页面文本

【英文标题】：ITextSharp - VB.NET - PdfTextExtractor - PDF to TXT - missing part of the page text

【发布时间】：2021-08-11 18:14:03

【问题描述】：

我在使用 PdfTextExtractor GetTextFromPage 方法时遇到问题，其中部分文本丢失，无论我是否运行所有页面......我仍然找不到部分文本。我对所有 pdf 提取使用相同的代码剪辑器，以前从未遇到过问题.. 可能是 pdf 文件搞砸了？

我尝试过没有策略，使用 LocationTextExtractionStrategy 和 SimpleTextExtractionStrategy ...结果发生了一些变化，但仍然无法获取所有文本。

我正在测试这个公共文档，我需要从中读取一些数据，下载和获取所有文本的代码 sn-p 非常简单：

webc.DownloadFile("http://www.inmetro.gov.br/legislacao/pam/pdf/PAM007426.pdf", "C:\test\PORTARIA.pdf")
pdf = New PdfReader("C:\test\PORTARIA.PDF")

Dim strategy As ITextExtractionStrategy = New LocationTextExtractionStrategy

For i = 1 To pdf.NumberOfPages
   TextBox3.AppendText(Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(PdfTextExtractor.GetTextFromPage(pdf, i, strategy)))) + vbNewLine + vbNewLine)
Next

我只对第一页感兴趣，我需要提取一些数据 .. 找不到像“fabricante”、“marca”、“PESO EXATO BALANÇAS”等词

有人知道为什么会这样吗？？？我很想看到实现这一目标的其他选择。不花钱买工具

【问题讨论】：

Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(...))) 是干什么用的？

请附上示例 PDF 以重现问题

@KJ 将 i=0 放入 pdf.numberpages 我得到一个空指针异常。我一直使用 1 .. 我无法获得与您相同的文本。这怎么可能哈哈...

@AlexeySubach 你得到了代码 sn-p 中的链接。

@mkl 我从很久以前尝试过的一个例子中得到了这条线。我现在只是为未来的项目创建一个测试功能。我将生成的纯文本放到一个文本框/字符串中，这样我就可以找到用于读取数据的模式..

【参考方案1】：

我只对第一页感兴趣，我需要提取一些数据.. 并且找不到像“fabricante”、“marca”、“PESO EXATO BALANÇAS”等词

我测试如下：

Dim pdfReader As New PdfReader("PAM007426.pdf")
Dim strategy As ITextExtractionStrategy = New LocationTextExtractionStrategy

Dim text = PdfTextExtractor.GetTextFromPage(pdfReader, 1, strategy)

Console.WriteLine("Position of 'fabricante': 0", text.IndexOf("fabricante"))
Console.WriteLine("Position of 'marca': 0", text.IndexOf("marca"))
Console.WriteLine("Position of 'PESO EXATO BALANÇAS': 0", text.IndexOf("PESO EXATO BALANÇAS"))

输出：

Position of 'fabricante': -1
Position of 'marca': 1061
Position of 'PESO EXATO BALANÇAS': 1067

如您所见，"marca" 和 "PESO EXATO BALANÇAS" 都会立即找到。

查看 PDF 很清楚为什么找不到 "fabricante"：页面上没有那个字，只有 "FABRICANTE"。测试

Console.WriteLine("Position of 'FABRICANTE': 0", text.IndexOf("FABRICANTE"))

返回

Position of 'FABRICANTE': 1303

这样，你漏掉的字都能找到。

因此，如果您在 TextBox3 中找不到它们，则说明存在其他问题。也许是转换狂欢Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(...)))，也许文本框太满了，也许是别的。

【讨论】：

@KJ 对。在这里，我只是另外提供了 OP 可以用来识别问题的测试代码。

@fferrandini 顺便说一句，我使用了最新的 iText 5.x 版本。也许一些非常旧的版本在映射到 Unicode 时仍然存在一些问题。