使用iTextSharp（C＃）从PDF中提取嵌入式XML

Question

我需要使用C＃提取Bankruptcy court files中嵌入的XML数据。在PDF阅读器中，该文件看起来像一个典型的法庭文档。在记事本中，XML隐藏在文本中。我尝试使用SimpleTextExtractionStrategy使用this和another code snippet提取文本。第一个结果是文件中没有来自PDF和第二个输出符号的可识别文本。我也试过将它作为AcroField和Xfaform访问。它似乎不是基于Watch窗口的那些。

单步执行Visual Studio中的代码，XML显示在PDFReader＆gt;＆gt;下目录＆gt;＆gt;键＆gt;＆gt;原始＆gt;＆gt;非公开会员＆gt;＆gt; Watch窗口中的字典。我不知道怎么做到这一点。由于它与Watch中的其他PDFNames列出，我认为我可以通过PDFReader.Catalog.GetAsDict访问它，但它不会显示为PDFName。这些文件的提供者有一个似乎只读取文本的Java应用程序。不确定我是否需要使用不同的提取策略，或者直接访问包含XML的目录项。我从来没有以编程方式使用PDF文件或iTextSharp，所以我很挣扎。任何代码建议？

Answer 1

如果您可以与嵌入式XML共享PDF，这将有所帮助。当我第一次阅读您的问题时，我认为XML将被添加为文档级附件（存储在EmbeddedFiles中）或作为附件注释（存储在Annot中添加到页面词典中）。

阅读uscourts.gov上的内容，看起来XML实际上是一个XMP流。这意味着您可以在目录的元数据条目中找到它（或者可能在页面字典中）。

如果您无法共享该文件，则必须自助。您可以通过下载iText RUPS来执行此操作。这是一个免费的工具，可以在里面找到。

浏览树状结构并查找Metadata，查找EmbeddedFiles，查找Annots。如果您没有告诉我们XML是如何嵌入的，那​​么没有人能够帮助您。

有关示例，请参阅我对以下问题的回答：How to delete attachment of PDF using itext （看看我如何使用RUPS查看目录＆gt;名称＆gt; EmbeddedFiles）。

额外说明：您目前为止尝试过的代码是从页面中提取文本，不关于提取嵌入PDF中的XML文件

<强>更新

现在您已共享文件，我已使用RUPS查找XML文件。看看下面的截图：

你看到这里发生了什么吗？有人在目录中添加了一个名为/USCTbankruptcynotice的自定义条目，其值为String。这是错误的：将文件存储在字符串中是一个坏主意。为什么开发人员不将该文件存储为流？雇用这样的开发人员的人，我感到非常难过。

这就是说，这就是你如何提取XML：

PdfDictionary catalog = reader.Catalog;
PdfName name = new PdfName("USCTbankruptcynotice");
PdfString USCTbankruptcynotice = catalog.GetAsString(key);
string xml = USCTbankruptcynotice.ToString();

这是从记忆中写的。如果您需要应用小修正，请更新我的答案。