Question

我想阅读一些内容pdf文件。我刚刚开始进入这些东西之前我只是想知道正确的做法是什么。在这种情况下，ItextSharp阅读器可能会有所帮助，因此我使用以下方法将pdf转换为文本：

public static string pdfText(string path)
{
    PdfReader reader = new PdfReader(path);
    string text = string.Empty;
    for(int page = 1; page <= reader.NumberOfPages; page++)
    {
        text += PdfTextExtractor.GetTextFromPage(reader,page);
    }
    reader.Close();
    return text;
}

我仍然想知道这种方法是否合适，或者我是否应该将此pdf转换为excel，然后阅读我想要的内容。

专业人士的想法将不胜感激。

Answer 1

使用iText，您还可以选择用于提取文本的特定策略。但请记住，这始终是一个启发式过程。

Pdf文档基本上只包含为查看器呈现文档所需的指令。所以没有“文本”的概念。更像是“在420,890处画出角色A”。

为了使任何文本提取起作用，它需要猜测两个字符何时足够接近它们应该连接在一起，以及何时它们应该分开。

巧合的是，iText根据正在使用的字体中单个空格字符的宽度来执行此操作。

请记住，也可能有ActualText（这是一种隐藏在文档中的文本，仅用于提取。它使文档可以呈现像“œ”这样的字符（连字版本）），被提取为“oe”（非结合版本）。

根据您的输入文档，您可能希望查看ITextExtractionStrategy的不同实现。

获取PDF内容

1 个答案: