怎么读表？

Question

我在PDF文件中有一个时间表。

            (1)     (2)     (3)
            09:00   10:30   11:30            
Monday      12C     11B     10A
Tuesday     10K     10K     9A
Wednesday           7A
Thursday    7B      7B
Friday      6A              11B

我正在使用iTextSharp阅读所有文字。

    private static string ReadFile(string path)
    {
        using (var reader = new PdfReader(path))
        {
            var text = new StringBuilder();

            for (var i = 1; i <= reader.NumberOfPages; i++)
                text.Append(PdfTextExtractor.GetTextFromPage(reader, i));

            return text.ToString();
        }
    }

此文本响应行如下：

(1) (2) (3) 
09:00 10:30 11:30
12C 11B 10A
Monday
10K 10K 9A
Tuesday
7A
Wednesday
B 7B
Thursday
6A  11B
Friday

所以我无法理解哪个课程在哪个时间？例如星期三有一个7A级，但哪个时间（09:00或10:30或11:30）？ 如果它写了一个白色空间字符（＆amp; nbsp），我可以理解。

(1) (2) (3) 
09:00 10:30 11:30
12C 11B 10A
Monday
10K 10K 9A
Tuesday
&nbsp 7A &nbsp
Wednesday
B 7B &nbsp
Thursday
6A &nbsp 11B
Friday

这可以使用iTextSharp吗？

Answer 1

在一般情况下，这是不可能的。

如果您的PDF文档未标记，则文档本身不包含结构信息。或者简单地说，文档不知道哪些部分是表格，表格行，甚至段落。

从未标记的PDF文档中提取结构信息很难。如果不是说在一般情况下不可能。

使用pdf2Data，您可以实现此目的。需要注意的是，您必须预先定义模板。因此，您需要告诉软件它可以在哪里找到一张桌子。

您可以查看var RegisteredSuccess = function() { ... } 中的SimpleTextExtractionStrategy。 它实质上处理所有渲染信息，并决定何时将文本连接到现有缓冲区。

在代码中的某个时刻，它决定如果缓冲区已经以空格结尾，则不应再追加空格。

我建议您创建自己的iText实现，它会覆盖此行为并始终插入空格。