Question

我编写了以下函数来读取PDF文件中的文本。它非常接近，但我对所有的操作码都不太熟悉，以确保线间距正确。例如，当我看到＆＃34; ET＆＃34;时，我正在插入一个新行。但这似乎并不正确，因为它可能只是文本运行的结束，中间线。有人可以帮我调整解析吗？我的目标类似于Adobe Reader＆＃34;另存为＆＃34; - ＆GT; ＆＃34;文本＆＃34;

Public Function ReadPDFFile(filePath As String,
                            Optional maxLength As Integer = 0) As String

    Dim sbContents As New StringBuilder

    Dim cArrayType As Type = GetType(CArray)
    Dim cCommentType As Type = GetType(CComment)
    Dim cIntegerType As Type = GetType(CInteger)
    Dim cNameType As Type = GetType(CName)
    Dim cNumberType As Type = GetType(CNumber)
    Dim cOperatorType As Type = GetType(COperator)
    Dim cRealType As Type = GetType(CReal)
    Dim cSequenceType As Type = GetType(CSequence)
    Dim cStringType As Type = GetType(CString)
    Dim opCodeNameType As Type = GetType(OpCodeName)

    Dim ReadObject As Action(Of CObject) = Sub(obj As CObject)

                                               Dim objType As Type = obj.GetType

                                               Select Case objType
                                                   Case cArrayType
                                                       Dim arrObj As CArray = DirectCast(obj, CArray)
                                                       For Each member As CObject In arrObj
                                                           ReadObject(member)
                                                       Next
                                                   Case cOperatorType
                                                       Dim opObj As COperator = DirectCast(obj, COperator)
                                                       Select Case System.Enum.GetName(opCodeNameType, opObj.OpCode.OpCodeName)
                                                           Case "ET", "Tx"
                                                               sbContents.Append(vbNewLine)
                                                           Case "Tj", "TJ"
                                                               For Each operand As CObject In opObj.Operands
                                                                   ReadObject(operand)
                                                               Next
                                                           Case "QuoteSingle", "QuoteDbl"
                                                               sbContents.Append(vbNewLine)
                                                               For Each operand As CObject In opObj.Operands
                                                                   ReadObject(operand)
                                                               Next
                                                           Case Else
                                                               'Do Nothing
                                                       End Select
                                                   Case cSequenceType
                                                       Dim seqObj As CSequence = DirectCast(obj, CSequence)
                                                       For Each member As CObject In seqObj
                                                           ReadObject(member)
                                                       Next
                                                   Case cStringType
                                                       sbContents.Append(DirectCast(obj, CString).Value)
                                                   Case cCommentType, cIntegerType, cNameType, cNumberType, cRealType
                                                       'Do Nothing
                                                   Case Else
                                                       Throw New NotImplementedException(obj.GetType().AssemblyQualifiedName)
                                               End Select

                                           End Sub

    Using pd As PdfDocument = PdfReader.Open(filePath, PdfDocumentOpenMode.ReadOnly)

        For Each page As PdfPage In pd.Pages

            ReadObject(ContentReader.ReadContent(page))

            If maxLength > 0 And sbContents.Length >= maxLength Then
                If sbContents.Length > maxLength Then
                    sbContents.Remove(maxLength - 1, sbContents.Length - maxLength)
                End If
                Exit For
            End If

            sbContents.Append(vbNewLine)

        Next

    End Using

    Return sbContents.ToString

End Function

Answer 1

您的代码忽略了几乎所有更改行的操作。您确实考虑'和“，这通常意味着更改行，但在野外很少使用。

在文本对象（ BT .. ET ）内，您也应注意

tx ty Td 移至下一行的开头，从当前行的起点偏移（tx，ty）。
tx ty TD 移动到下一行的开头，从当前行的开头偏移（tx，ty）。作为副作用，此运算符应在文本状态中设置前导参数。
a b c d e f Tm 设置文本矩阵Tm和文本行矩阵Tlm。
T * 移至下一行的开头。

要正确理解'，“和 T * ，您还应注意

领先 TL 将文字行距Tl设置为行距。

如果您找到多个文字对象（ BT .. ET .. BT .. ET ），第二个不一定是新的一行。您应该注意它们之间的特殊图形状态运算符：

a b c d e f cm 通过连接修改当前转换矩阵（CTM）指定的矩阵
q 保存当前图形状态
问恢复图形状态

您的代码忽略了操作的所有数字参数。你不应该忽视它们，尤其是：

您应该检查上面列出的运营商的参数;例如当0 -20 Td开始新行20个单位时，20 0 Td仍然在同一行，并且只是开始在前一行开始时绘制20个单位的文本。
你应该检查 TJ 的数组参数的数字元素，因为它们可能（或可能不是）表示两个单词之间的空格。

您的代码假设Value CString个实例已经包含Unicode编码的字符数据。这种假设通常是不正确的，在文本绘制操作中绘制的PDF字符串中使用的编码由字体决定。因此，您还应该注意

字体大小 Tf 将文本字体Tf设置为 font ，将文本字体大小Tfs设置为 size < / em>的。 font 应为当前资源字典 Font 子字典中字体资源的名称。

有关详细信息，您首先应该首先研究PDF规范ISO-32000-1，特别是第9章文本，其背景为第8章 Graphics 。

使用PDFSharp的PDF到文本

1 个答案: