Leggere il contenuto PDF con itextsharp dll in VB.NET o C#

Question

Come posso leggere il contenuto PDF con itextsharp con la classe Pdfreader. Il mio PDF può includere testo normale o immagini del testo.

Answer 1

Non è possibile leggere e analizzare il contenuto di un PDF utilizzando iTextSharp come si desidera.

Da iTextSharp di SourceForge tutorial:

non si puo 'analizzare' un file PDF esistente usando iText, si può solo 'leggere' si pagina per pagina.

Cosa significa?

Il formato pdf è solo una tela in cui il testo e la grafica sono posizionati senza qualsiasi informazione di struttura. Come tale non ci sono "oggetti iText" in un file PDF . In ogni pagina ci sarà probabilmente un numero di 'Stringhe', ma non è possibile ricostruire una frase o un paragrafo usando queste stringhe. Lì sono probabilmente un numero di linee tracciate, ma non è possibile recuperare un oggetto tabella in base a queste righe. In breve: l'analisi del contenuto di un file PDF è NON POSSIBILE con iText. Pubblica la tua domanda sul newsgroup notizia: //comp.text.pdf e forse otterrete alcune risposte da parte di persone che hanno costruito strumenti in grado di analizzare PDF ed estrarre alcuni dei suoi contenuti, ma non aspettatevi strumenti che eseguiranno una conversione a prova di proiettile in testo strutturato .

Answer 2

using iTextSharp.text.pdf; 
using iTextSharp.text.pdf.parser; 
using System.IO; 

public string ReadPdfFile(string fileName) 
{ 
    StringBuilder text = new StringBuilder(); 

    if (File.Exists(fileName)) 
    { 
     PdfReader pdfReader = new PdfReader(fileName); 

     for (int page = 1; page <= pdfReader.NumberOfPages; page++) 
     { 
      ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy(); 
      string currentText = PdfTextExtractor.GetTextFromPage(pdfReader, page, strategy); 

      currentText = Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(currentText))); 
      text.Append(currentText); 
     } 
     pdfReader.Close(); 
    } 
    return text.ToString(); 
} 

Answer 3

Ecco una soluzione basata su VB.NET soluzione ShravankumarKumar.

Questo vi darà SOLO il testo. Le immagini sono una storia diversa.

Public Shared Function GetTextFromPDF(PdfFileName As String) As String 
    Dim oReader As New iTextSharp.text.pdf.PdfReader(PdfFileName) 

    Dim sOut = "" 

    For i = 1 To oReader.NumberOfPages 
     Dim its As New iTextSharp.text.pdf.parser.SimpleTextExtractionStrategy 

     sOut &= iTextSharp.text.pdf.parser.PdfTextExtractor.GetTextFromPage(oReader, i, its) 
    Next 

    Return sOut 
End Function 

Answer 4

Public Sub PDFTxtToPdf(ByVal sTxtfile As String, ByVal sPDFSourcefile As String) 
     Dim sr As StreamReader = New StreamReader(sTxtfile) 
    Dim doc As New Document() 
    PdfWriter.GetInstance(doc, New FileStream(sPDFSourcefile, FileMode.Create)) 
    doc.Open() 
    doc.Add(New Paragraph(sr.ReadToEnd())) 
    doc.Close() 
End Sub 

Answer 5

LGPL/FOSS iTextSharp 4.x

var pdfReader = new PdfReader(path); //other filestream etc 
byte[] pageContent = _pdfReader .GetPageContent(pageNum); //not zero based 
byte[] utf8 = Encoding.Convert(Encoding.Default, Encoding.UTF8, pageContent); 
string textFromPage = Encoding.UTF8.GetString(utf8); 

Nessuna delle altre risposte erano utili per me, tutti sembrano indirizzare la v5 AGPL di iTextSharp. Non ho mai trovato alcun riferimento a SimpleTextExtractionStrategy o LocationTextExtractionStrategy nella versione FOSS.

Un'altra cosa che potrebbe essere molto utile in concomitanza con questo:

const string PdfTableFormat = @"\(.*\)Tj"; 
Regex PdfTableRegex = new Regex(PdfTableFormat, RegexOptions.Compiled); 

List<string> ExtractPdfContent(string rawPdfContent) 
{ 
    var matches = PdfTableRegex.Matches(rawPdfContent); 

    var list = matches.Cast<Match>() 
     .Select(m => m.Value 
      .Substring(1) //remove leading (
      .Remove(m.Value.Length - 4) //remove trailing)Tj 
      .Replace(@"\)", ")") //unencode parens 
      .Replace(@"\(", "(") 
      .Trim() 
     ) 
     .ToList(); 
    return list; 
} 

Ciò estrarre il testo solo i dati dal PDF, se il testo visualizzato è Foo(bar) sarà codificato nel PDF come (Foo\(bar\))Tj, questo metodo restituirebbe Foo(bar) come previsto. Questo metodo eliminerà molte informazioni aggiuntive come le coordinate della posizione dal contenuto PDF grezzo.

Answer 6

Nel mio caso volevo solo il testo da un'area specifica del documento PDF, così ho usato un rettangolo intorno all'area e ho estratto il testo da esso. Nell'esempio sotto le coordinate sono per l'intera pagina.Non ho strumenti per la creazione di PDF, quindi quando è arrivato il momento di restringere il rettangolo alla posizione specifica, ho preso alcune ipotesi sulle coordinate fino a quando l'area non è stata trovata.

Rectangle _pdfRect = new Rectangle(0f, 0f, 612f, 792f); // Entire page - PDF coordinate system 0,0 is bottom left corner. 72 points/inch 
RenderFilter _renderfilter = new RegionTextRenderFilter(_pdfRect); 
ITextExtractionStrategy _strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), _filter); 
string _text = PdfTextExtractor.GetTextFromPage(_pdfReader, 1, _strategy); 

Come notato dai commenti sopra il testo risultante non mantiene nessuno degli formattazione trovata nel documento PDF, ma ero felice che lo ha fatto preservare i ritorni a capo. Nel mio caso c'erano abbastanza costanti nel testo che sono stato in grado di estrarre i valori che ho richiesto.