我在从pdf文件中读取一些数据时遇到问题 我的文件是结构化的,它包含表格和纯文本。标准解析器从同一行的不同列读取数据。例如:
Some Table Header Data Col1a Data Col2a Data Col3a Data Col1b Data Col2b Data Col3b Data Col2c
使用此代码
PdfReader reader = new PdfReader(pdfName);
List<String> text = new List<String>();
String page;
List<String> pageStrings;
string[] separators = { "\n", "\r\n" };
for (int i = 1; i <= reader.NumberOfPages; i++)
{
page = PdfTextExtractor.GetTextFromPage(reader, i);
pageStrings = new List<string>(page.Split(separators, StringSplitOptions.RemoveEmptyEntries));
text.AddRange(pageStrings);
}
reader.Close();
return text;
将连接成字符串:
Some Table Header Data Col1a Data Col2a Data Col3a Data Col1b Data Col2b Data Col3b Data Col2c
我想获得反映来自块数据的串联字符串。我想为上面的例子获得这样的字符串:
Some Table Header Data Col1a Data Col1b Data Col2a Data Col2b Data Col2c Data Col3a Data Col3b
有没有人知道如何调整itextsharp以获得pdf解析器的这种行为? 也许某人有适当的代码示例? 示例PDF文件为here
答案 0 :(得分:6)
OP的示例文件包含多个部分,如下所示:
评论中提到的OP:
另一个工具完全像我想要的那样解析我的PDF。 [...]
PS:这个工具是pdfbox
在此方法中使用PDFBox(v1.8.10,当前版本):
String extract(PDDocument document) throws IOException
{
PDFTextStripper stripper = new PDFTextStripper();
return stripper.getText(document);
}
返回上面显示的部分
Driver Book for 8/5/2015
Company IS MEDICAL; AND Date of Service IS BETWEEN 08/05/2015 AND 08/05/2015; AND Status IS Assigned; AND Vehicles IS MEDICAL:
CATY
MEDICAL
Trip #: 314-A
Comments: ----LIVERY---
Destination:Pick-up:
Call Type: Livery
<Doctor Office>
REGO PARK, (631)
000-0000
(718) 896-5953
74- AVE 204E HEIGHTS, NY
11372 (718) 639-4154
11:00:00 PAT, MIKHAIL
Trip #: 314-B
Comments: ----LIVERY---
Destination:Pick-up:
Call Type: Livery
74- AVE 204E HEIGHTS, NY
11372 (718) 639-4154
<Doctor Office>
63-6 REGO PARK, NY
11374 (631) 000-0000
11:01:00 PAT, MIKHAIL
这不是一个整齐的列式提取,但某些信息块(如地址块)保持在一起。
使用iText(Sharp)获得相同的输出实际上非常简单:只需要明确使用SimpleTextExtractionStrategy
而不是默认使用的LocationTextExtractionStrategy
,即必须替换此行
page = PdfTextExtractor.GetTextFromPage(reader, i);
通过
page = PdfTextExtractor.GetTextFromPage(reader, i, new SimpleTextExtractionStrategy());
除了每个数据集一个空格字符(iText(夏普)提取Destination: Pick-up:
而不是Destination:Pick-up:
),结果都是相同的。
关于PDFBox提取文本的结论:
所以我认为PDF实际上是表格式的。
实际上,这种提取顺序仅仅意味着用于在PDF页面内容流中绘制字符串片段的操作以这种顺序发生。由于这些操作的顺序是任意的,根据PDF规范,生成这些PDF的软件的任何更新都可能导致PDFBox PDFTextStripper
和iText SimpleTextExtractionStrategy
提取的文件只是一个难以理解的字符汤
PS:如果将PDFBox PDFTextStripper
属性SortByPosition
设置为true
,就像这样
PDFTextStripper stripper = new PDFTextStripper();
stripper.setSortByPosition(true);
return stripper.getText(document);
然后PDFBox就像iText(夏普)一样提取文本(默认)LocationTextExtractionStrategy
OP表示对内容流中固有的块结构感兴趣。像通用PDF中那样最明显的结构是文本对象(可以绘制多个字符串)。
在手头的情况下使用SimpleTextExtractionStrategy
。它可以很容易地扩展为还包括与其输出中的文本对象的开始和结束相对应的标记。在Java中,这可以通过使用这样的匿名类来完成:
return PdfTextExtractor.getTextFromPage(reader, pageNo, new SimpleTextExtractionStrategy()
{
boolean empty = true;
@Override
public void beginTextBlock()
{
if (!empty)
appendTextChunk("<BLOCK>");
super.beginTextBlock();
}
@Override
public void endTextBlock()
{
if (!empty)
appendTextChunk("</BLOCK>\n");
super.endTextBlock();
}
@Override
public String getResultantText()
{
if (empty)
return super.getResultantText();
else
return "<BLOCK>" + super.getResultantText();
}
@Override
public void renderText(TextRenderInfo renderInfo)
{
empty = false;
super.renderText(renderInfo);
}
});
(TextExtraction.java方法extractSimple
)
(这个Java代码应该很容易转换为C#。使用empty
布尔值可能看起来很有趣;但是,这是必要的,因为基类假设某些附加属性可以立即设置块已附加到提取的内容中。)
使用此扩展策略可获得上面显示的部分:
<BLOCK>Driver Book for 8/5/2015
Company IS MEDICAL; AND Date of Service IS BETWEEN 08/05/2015 AND 08/05/2015; AND Status IS Assigned; AND Vehicles IS MEDICAL:
CATY</BLOCK>
<BLOCK>
MEDICAL</BLOCK>
<BLOCK>
Trip #: 314-A</BLOCK>
<BLOCK>
Comments: ----LIVERY---</BLOCK>
<BLOCK>
Destination: Pick-up:</BLOCK>
<BLOCK>
Call Type: Livery
<Doctor Office>
REGO PARK, (631)
000-0000
(718) 896-5953</BLOCK>
<BLOCK>
74- AVE 204E HEIGHTS, NY
11372 (718) 639-4154</BLOCK>
<BLOCK>
11:00:00</BLOCK>
<BLOCK> PAT, MIKHAIL</BLOCK>
<BLOCK>
Trip #: 314-B</BLOCK>
<BLOCK>
Comments: ----LIVERY---</BLOCK>
<BLOCK>
Destination: Pick-up:</BLOCK>
<BLOCK>
Call Type: Livery
74- AVE 204E HEIGHTS, NY
11372 (718) 639-4154</BLOCK>
<BLOCK>
<Doctor Office>
63-6 REGO PARK, NY
11374 (631) 000-0000</BLOCK>
<BLOCK>
11:01:00</BLOCK>
<BLOCK> PAT, MIKHAIL</BLOCK>
由于这会将地址保留在同一个块中,因此在提取过程中可能会有所帮助。