为啥来自 iTextSharp 的 GetTextFromPage 返回越来越长的字符串？

Posted 2023-02-24

【中文标题】为啥来自 iTextSharp 的 GetTextFromPage 返回越来越长的字符串？

【英文标题】：Why are GetTextFromPage from iTextSharp returning longer and longer strings?为什么来自 iTextSharp 的 GetTextFromPage 返回越来越长的字符串？

【发布时间】：2016-06-24 23:27:04

【问题描述】：

我正在使用来自 nuGet (5.5.8) 的最新 iTextSharp lib 来解析 pdf 文件中的一些文本。我面临的问题是GetTextFromPage 方法不仅从它应该返回的页面返回文本，它还从前一页返回文本。这是我的代码：

var url = "https://www.oslo.kommune.no/getfile.php/Innhold/Politikk%20og%20administrasjon/Etater%20og%20foretak/Utdanningsetaten/Postjournal%20Utdanningsetaten/UDE03032016.pdf";
var strategy = new SimpleTextExtractionStrategy();
using (var reader = new PdfReader(new Uri(url)))

    for (var page = 1; page <= reader.NumberOfPages; page++)
    
        var textFromPage = PdfTextExtractor.GetTextFromPage(reader, page, strategy);
        Console.WriteLine(textFromPage.Length);
    

输出看起来像这样，这不是我需要的。我需要页面上实际存在的文本：

1106
2248
3468
4835
5167
6431
7563
8860
9962
11216
12399
13640
14690
15760

有什么想法吗？

【参考方案1】：

您将所有页面提供给相同的文本提取策略：

var strategy = new SimpleTextExtractionStrategy();
using (var reader = new PdfReader(new Uri(url)))

    for (var page = 1; page <= reader.NumberOfPages; page++)
    
        var textFromPage = PdfTextExtractor.GetTextFromPage(reader, page, strategy);
        ... process textFromPage ...
    

由于您想自己处理每个页面的内容，您应该为每个页面创建一个新策略：

using (var reader = new PdfReader(new Uri(url)))

    for (var page = 1; page <= reader.NumberOfPages; page++)
    
        var strategy = new SimpleTextExtractionStrategy();
        var textFromPage = PdfTextExtractor.GetTextFromPage(reader, page, strategy);
        ... process textFromPage ...
    

【讨论】：

我刚刚遇到了与 5.5.9 完全相同的问题。 @mkl 的回复清晰且完全准确。