C# iTextSharp PDFReader 总是从 PDF 的开头读取

Posted 2023-03-07

【中文标题】C# iTextSharp PDFReader 总是从 PDF 的开头读取

【英文标题】：C# iTextSharp PDFReader Reads From Beginning of PDF Always

【发布时间】：2016-12-07 20:29:37

【问题描述】：

我正在使用 iTextSharp PDFReader 读取一个有 18 页的 pdf 文件，但每次我增加页码时，它都会从 pdf 的开头开始，而不是只读取那个特定的页面。如果我将“x”设置为 pdfReader.NumberOfPages 值，它只会读取最后一页。我想单独阅读每一页并将数据添加到我的字符串列表中。我也在浏览一个文件夹，阅读每个 pdf 文件，但我一开始只测试一个。

List<string> s = new List<string>();
while (z < filePaths.Count())

    PdfReader pdfReader = new PdfReader(filePaths[z]); 
    ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
    for (int x = 1; x <= pdfReader.NumberOfPages; x++)
    
        string currentText = "";                                
        currentText = PdfTextExtractor.GetTextFromPage(pdfReader, x, strategy);                        
        s.Add(currentText);
    
    z++;
    pdfReader.Close();

【问题讨论】：

它是否总是只读取第一页，除了最后一页，还是读取从第一页到第 x 页的所有内容？底层的主力方法ProcessContent<E>(int pageNumber, E renderListener) 显然应该做你想做的......你使用哪个版本的 ITextSharp？

使用5.5.10.0，总是从第一页开始，一直读到第x页

只是为了确保...您是否希望 s 在外部循环完成时包含所有文件的所有页面，每个列表项有一页文本？

是的，我想逐页阅读 pdf 并将每一页文本作为列表项插入。

【参考方案1】：

之前的所有答案都非常接近，即您正确地将其归咎于某种状态问题。

唯一缺少的部分是 strategy 变量记住了它的状态。调用GetTextFromPage 后，您的策略对象不会刷新其现有内容。

所以诀窍是在循环内实例化您的strategy：

for (int x = 1; x <= pdfReader.NumberOfPages; x++)

    ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
    string currentText = "";                                
    currentText = PdfTextExtractor.GetTextFromPage(pdfReader, x, strategy);                        
    s.Add(currentText);

【参考方案2】：

通过从这一行删除策略 PdfTextExtractor.GetTextFromPage(pdfReader, x, strategy) 使其工作

static void Main(string[] args)
        
            List<string> filePaths = new List<string>();
            filePaths.Add("C:\\temp\\pe\\ACN-ONFBG-010-R-EN-ONT (1364).pdf");
            filePaths.Add("C:\\temp\\pe\\ACN-ONFBG-010-R-UN-NOR (1364).pdf");
            filePaths.Add("C:\\temp\\pe\\ACN-ONFBG-010-R-UN-SOU (1364).pdf");
            List<string> results = doit(filePaths);
            string stall = "stall";
        


        private static List<string> doit(List<string> filePaths)
        
            List<string> s = new List<string>();
            int z = 0;
            while (z < filePaths.Count())
            
                PdfReader pdfReader = new PdfReader(filePaths[z]);
                ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
                for (int x = 1; x <= pdfReader.NumberOfPages; x++)
                
                    string currentText = "";
                    currentText = PdfTextExtractor.GetTextFromPage(pdfReader, x);
                    s.Add(currentText);
                
                z++;
                pdfReader.Close();
            
            return s;
        

【讨论】：

调用默认值LocationTextExtractionStrategy，而不是SimpleTextExtractionStrategy。显然，后者没有正确处理页面边界 - 不知道是根据定义还是由于错误。

无论如何它都能正常工作。它从不工作到工作，这是我让它工作的唯一改变。在这一点上，我倾向于一个错误。布鲁诺经常在这里回答与 iText 相关的问题，希望他能看到这个并参与进来。

这就是我投票的原因，尽管我的回答下面的讨论得出了相同的结论 :) 让我们希望 iText 的人读到这个，他们可能会解释或修复。

很有趣......看起来每当传递第三个参数时，它就会停止工作。我刚刚通过将strategy 设置为LocationTextExtractionStrategy 再次尝试，我又回到了操作员发布的原始行为。

这将在这种情况下发挥作用，因为 iText 将在内部为每个页面单独创建一个策略（即每个 GetTextFromPage 调用）。见***.com/a/41038493/2065017

【参考方案3】：

我怀疑是读者状态问题。尝试在循环之前打开 PdfReader 一次以获取页数。将页数存储在变量中。使用该变量作为循环的上限。然后在循环中，为每个页面实例化一个新的 PdfReader，在每次迭代后处理它。

EDIT：原来是文本提取策略是罪魁祸首。它以某种方式保留状态。始终在调用 GetTextFromPage 之前实例化一个新的 SimpleTextExtractionStrategy，或者省略 strategy 参数 - 然后将在内部创建 ITextExtractionStrategy 的默认实现的新实例。

【讨论】：

我尝试了以下，仍然得到与上面相同的结果： for (int x = 1; x

很奇怪。我们应该确保该 PDF 的页面字典没有损坏...您可以尝试使用任何其他 PDF 文件吗？并且您说当您将 x 设置为页数时它会起作用：如果您将其设置为 7，会发生什么？

我可以使用另一个字符串列表并获取“s”的最后一个索引，但我担心它可能不包含 pdf 中的所有数据，因为字符串长度是有限的，我不确定这些pdf中的任何一个可能有多少页

让我澄清一下，如果我将 x 设置为 18，则此 pdf 中的页数，它只读取第 18 页，而不是整个 pdf。如果我将它设置为 7，它会读取第 7 页，然后在下一个循环中读取第 7 和第 8 页，依此类推...

这使它起作用了。我之前尝试过，但得到了相同的结果，我认为每次阅读页面时调用 PDFReader 并处理它可以解决问题