Question

我目前使用iTextSharp读取一些PDF文件并使用我收到的字符串解析它们。我遇到了一些PDF文件的奇怪行为。当获取例如4页PDF的字符串时，字符串按以下顺序填充页面：

1 2 1 3 1 4

我的阅读文件代码如下：

using (PdfReader reader = new PdfReader(fileStream))
{
     StringBuilder sb = new StringBuilder();

     ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
     for (int page = 0; page < reader.NumberOfPages; page++)
     {
         string text = PdfTextExtractor.GetTextFromPage(reader, page + 1, strategy);
         if (!string.IsNullOrWhiteSpace(text))
             sb.Append(Encoding.UTF8.GetString(Encoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(text))));
     }

     Debug.WriteLine(sb.ToString());
}

以下是指向发生此行为的文件的链接：

https://onedrive.live.com/redir?resid=D9FEFF3BF45E05FD!1536&authkey=!AFLRlskAvlg89yY&ithint=file%2cpdf

希望你们能帮助我！

Answer 1

感谢克里斯哈斯，我发现出了问题。在线发现如何使用iTextSharp.Pdf的样本对我的实现不正确或不正确。

需要为您尝试阅读的每个页面实例化SimpleTextExtractionStrategy。不执行此操作会将结果字符串中的每个上一页相乘。

还可以从以下位置更改StringBuilder的追加行：

sb.Append(Encoding.UTF8.GetString(Encoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(text))));

到

sb.Append(text);

因此，以下代码给出了正确的结果：

using (PdfReader reader = new PdfReader(fileStream))
{
    StringBuilder sb = new StringBuilder();

    for (int page = 0; page < reader.NumberOfPages; page++)
    {
        string text = PdfTextExtractor.GetTextFromPage(reader, page + 1, new SimpleTextExtractionStrategy());
        if (!string.IsNullOrWhiteSpace(text))
            sb.Append(text);
    }
    Debug.WriteLine(sb.ToString());                    
}

使用iTextSharp读取PDF文档会创建重复第一页的字符串

1 个答案: