如何在c#中从pdf文档中获取标签
Posted
技术标签:
【中文标题】如何在c#中从pdf文档中获取标签【英文标题】:How to get Tags from pdf document in c# 【发布时间】:2018-04-20 09:36:11 【问题描述】:我正在使用 iTextSharp 阅读 pdf 文档,并且阅读成功。现在我想从 pdf 文档中获取标签,但我不知道如何使用 iTextSharp 获取标签。
代码如下
class Program
static void Main(string[] args)
var result = pdfText(@"C:\Users\Purelogics\Desktop\tranfer\tagged.pdf");
public static string pdfText(string path)
PdfReader reader = new PdfReader(path);
//This line return true that means this document is tagged
bool isTagged = reader.IsTagged();
var metadeta = reader.Metadata;
IList<Dictionary<string, object>> bookmarks = SimpleBookmark.GetBookmark(reader);
string text = string.Empty;
var title = reader.Info["Title"];
for (int page = 1; page <= reader.NumberOfPages; page++)
var object1 = reader.GetPdfObject(page);
text += PdfTextExtractor.GetTextFromPage(reader, page);
reader.Close();
return text;
【问题讨论】:
【参考方案1】:这取决于你想用这个标记做什么。
假设您要提取标记为\P
(段落)的所有内容
首先你需要得到一个文档的结构树根
File inputFile = new File("input.pdf");
PdfDocument pdfDocument = new PdfDocument(new PdfReader(inputFile));
IStructureNode root = pdfDocument.getStructTreeRoot();
现在您有了结构树根,您可以爬取树。通过堆栈或递归。在这个例子中,我使用了递归。
private Set<PdfNameMCIDGroup> find(PdfDocument pdfDocument, IStructureNode node)
Set<PdfNameMCIDGroup> out = new HashSet<>();
PdfName role = node.getRole();
if(markedRoles.contains(role))
out.add(mark(pdfDocument, node));
else
for(IStructureNode kid : node.getKids())
out.addAll(find(pdfDocument, kid));
return out;
这就是mark
方法的样子
private PdfNameMCIDGroup mark(PdfDocument pdfDocument, IStructureNode node)
PdfNameMCIDGroup out = new PdfNameMCIDGroup(0);
Set<PdfMcr> leaves = new HashSet<>();
Stack<IStructureNode> stk = new Stack<>();
stk.push(node);
while(!stk.isEmpty())
IStructureNode tmp = stk.pop();
if(tmp instanceof PdfMcr)
leaves.add((PdfMcr) tmp);
else
for(IStructureNode kid : tmp.getKids())
stk.push(kid);
// mcids
for(PdfMcr mcr : leaves)
int mcid = mcr.getMcid();
int pageNr = pdfDocument.getPageNumber(mcr.getPageObject());
out.mcids.add(mcid);
out.pageNrs.add(pageNr);
return out;
这些方法背后的想法是find
将遍历树层次结构。而mark
将在节点匹配其中一个角色时立即处理它。
这段代码让我们获得了一半的解决方案。
我们现在有了标记为\P
的任何内容的标记内容ID
我们现在需要实际提取与这些 ID 匹配的渲染指令。
为此,您需要编写自己的IEventListener
。这个类可以传递给CanvasProcessor
,然后每次解析器完成处理指令时都会收到通知。
public void eventOccurred(IEventData iEventData, EventType eventType)
if(eventType == EventType.RENDER_TEXT)
TextRenderInfo tri = (TextRenderInfo) iEventData;
int mcID = tri.getMcid();
// this is where you can do something with it
【讨论】:
以上是关于如何在c#中从pdf文档中获取标签的主要内容,如果未能解决你的问题,请参考以下文章
如何使用 PDFrw 在 Python 中从 PDF 中提取数据