使用PDFSharp / C＃从PDF中提取表格，线条和坐标

Question

我有几个保存为PDF的报告，其中包含文本和图像之间的几个表格。我不确定这些表是真的是表还是只是行。我尝试使用LibreOffice Writer打开这些文件，它们只是行，但我仍然不确定它是否是Writer在处理PDF表格时的行为或仅仅是行。

如何确保这些表真的是表以及如何提取它们？如果它们只是线条，如何用它们的坐标提取这些线条和文本？

我正在使用PDFSharp。谢谢你的帮助。

Answer 1

PDFsharp并非旨在从PDF文件中提取文本。

在PDFsharp论坛中，您可以找到一些用于此目的的代码：
http://forum.pdfsharp.net/viewtopic.php?p=1603#p1603
http://forum.pdfsharp.net/viewtopic.php?p=4010#p4010

PDF中没有表格。有绘制文本的说明，有绘制线条的说明。

Answer 2

我知道这是一个老问题，但有人可能需要它

“非常明显”的介绍：
PDF文件是图形对象（例如线条）和文本的流。当渲染PDF时，人眼会理解由于它们之间的线条和文本而存在表格。

（我的）解决方案
从PDF阅读器（iTextSharp）开始，您需要：
1.读取线条（希望只有垂直和水平线条）;
2.连接线（一个表的一行可以是几行，例如每个单元一行）;
3.了解表格的位置（有时根据您的需要做出一些假设）;
4.可选择查找表格外的文本（最好保留所有文本）并将其插入段落中;
5.在表格的单元格中插入文本

如果您需要已经开始编写的内容（为我的pdf工作），您可以在这里找到一些内容https://github.com/bubibubi/ExtractTablesFromPdf
它使用了iTextSharp的GPL版本 在这个项目中，有代码提取行，框，表和表格内容。