获取 PDF 内容

Posted 2023-03-07

【中文标题】获取 PDF 内容

【英文标题】：Get PDF content

【发布时间】：2017-04-06 11:25:44

【问题描述】：

我想阅读一些内容 pdf 文件。我刚刚开始，然后才进入我只想知道这样做的正确方法的东西。 在这种情况下，ItextSharp 阅读器可能会有所帮助，因此我使用以下方法将 pdf 转换为文本：

public static string pdfText(string path)

    PdfReader reader = new PdfReader(path);
    string text = string.Empty;
    for(int page = 1; page <= reader.NumberOfPages; page++)
    
        text += PdfTextExtractor.GetTextFromPage(reader,page);
    
    reader.Close();
    return text;

我仍然想知道这种方法是否可行，或者我是否应该将此 pdf 转换为 excel 然后阅读我想要的内容。

专业人士的想法将不胜感激。

【问题讨论】：

将 PDF 转换为 Excel 与您在此处所做的基本相同。但是，在特殊情况下您可能需要 OCR，因为并非所有 pdf 都包含文本。我不知道 PdfTextExtractor 是否正是这样做的。

就我而言，所有 pdf 都包含文本，我只需要一些内容。

我的意思是：即使它们包含人眼可读的文本，它也可能不会在 pdf 中表示为真实字符。但是，如果您确定 pdf 包含纯文本，我不明白为什么您的方法不正确，除了我会推荐 StringBuilder 附加文本

【参考方案1】：

使用 iText，您还可以选择特定的策略来提取文本。但请记住，这始终是一个启发式过程。

Pdf 文档基本上只包含为查看者呈现文档所需的说明。所以没有“文本”的概念。更多类似“在位置 420、890 处绘制字符 A”。

为了使任何文本提取正常工作，它需要猜测两个字符何时足够接近以至于它们应该被连接，以及它们何时应该分开。

巧合的是，iText 这样做是基于正在使用的字体中单个空格字符的宽度。

请记住，还可能有 ActualText（这是一种隐藏在文档中的文本，仅用于提取。它可以让文档呈现像“œ”这样的字符（连字版本)，它被提取为“oe”（非连字版本）。

根据您的输入文档，您可能需要研究 ITextExtractionStrategy 的不同实现。

【讨论】：

这不完全正确：PDF 可以包含纯文本（否则复制和粘贴在适用的 pdf 文档中不起作用）。他们甚至可以嵌入用于呈现包含文本的字体（也：部分）。但是，正如您所描述的，它们也可以仅包含导出为曲线的预渲染文本。所以说它始终是一个启发式过程是不正确的。这仅适用于文本导出为曲线的 pdf 文件。

复制/粘贴有效，因为查看器在重建文本时应用了与我描述的相同的启发式方法。当然，我只描述了最基本的情况。

我对这个答案感到非常困惑，不确定您是否知道自己在说什么。 PDF 查看器执行 OCR 以允许 复制和粘贴？哇...如果您是认真的，最好阅读 PDF 格式

我从未提到过 OCR。这是 pdf 文档中的指令示例 [", 17.1965, P, -18.7118, i, -9.35592, l, -9.35592, o, -17.2414, t, -9.35636, ", 17.1965, , 250] TJ 此指令以字体（由前面的命令指定）将字符放置在画布上。从这一点开始，应该清楚提取文本并不容易。

这只是包含文本的一种方式。