如何从标记的pdf中读取值？

Question

我的PDF包含一个人员列表，我正在寻找一个理想的解决方案来获取这些人，但在某些情况下，我最后读了这句话：

  

这是不可能的，因为PDF没有结构。

现在有一些标记的PDF可以显示PDF的“结构”。就我而言，我有一个标记的PDF，其中每个人的每个值都有自己的行，每个人都在一列中。这意味着有/应该有一种简单的方法来解析我的PDF中的这个“表”，以获得每个人的价值，对吗？

所以我的问题是：当标记的PDF有结构时，我怎样才能从中受益所以我可以读取我需要的所有值？

（侧面小问题：使用PDF中的标签创建Excel文件的PDF到Excel应用程序？）

编辑＃1：

这是PDF文件的示例：

我已经尝试过使用SyncFusion建议的@Lara方法，但问题是我收到的字符串：

John Peter Smith Smithstrasse 1 0101 Smithikon am See 010 010 01 01 020 020 02 02

使用这样的输出不可能使用正则表达式。问题是你永远不知道在这种情况下Peter是属于名字还是姓，Smith可能是街道的一部分。这就是为什么我不能使用它，这就是为什么我在寻找可以在PDF中使用标签的解决方案的原因。一切都很好分开，所以我只需要一种从标签中获取值的方法。

编辑＃2： 正如@Balasubramanian所希望的那样是一个标记的PDF示例： http://www.sh.ch/fileadmin/Redaktoren/Dokumente/Aufsichtsbehoerde_ueber_das_Anwaltswesen/Verzeichnis_SH_Anwaelte.pdf

本PDF为syncfusion提供了我在Edit＃1中添加的输出。

我对输出没有任何特殊要求，因此如果我收到JSON文件，数组或类似内容中的数据并不重要。另一方面，重要的是每个人的每个价值是分开的，所以我可以得到这个价值。但最重要的问题是如何做到这一点。标签必须保存在PDF文件中（元数据？）。

Answer 1

ITextSharp是一个开源的.net库，您可以使用它来读取PDF文件的内容。下面的代码也是如此。

public static string GetTextFromAllPages(String pdfPath)
{
    PdfReader reader = new PdfReader(pdfPath); 

    StringWriter output = new StringWriter();  

    for (int i = 1; i <= reader.NumberOfPages; i++) 
        output.WriteLine(PdfTextExtractor.GetTextFromPage(reader, i, new SimpleTextExtractionStrategy()));

    return output.ToString();
}

您也可以从https://sourceforge.net/projects/itextsharp/或Nuget获取图书馆。只需在您的应用程序中下载并参考，然后使用上面的代码段。您将能够将PDF提取到文本中。

更新

以下是我建议您尝试的内容..

 string pDFExtract = "John Peter Smith Smithstrasse 1 0101 Smithikon am See 010 010 01 01 020 020 02 02";

 string[] arrpDFExtract = pDFExtract.Split(' ');

 string Name = arrpDFExtract[0] +" "+ arrpDFExtract[1];

在这里，您必须找出字符串数组的大小，并根据您必须构建条件，您将获得所需的确切值...分析数组长度的条件及其对应的你必须要做的价值。只需使用上述方法并从PDF中获取内容。

我使用这种算法构建进行了大量的文档处理，并且每件事都像魅力一样。

Answer 2

目前 Syncfusion 不支持从标记PDF文档中提取文本。但是，您能否从标记的PDF文档以及您尝试从中提取文本的PDF文档中提供预期的输出结构。