使用 iTextSharp 从 PDF 中提取整个文本

Question

我正在尝试解析PDF documents，以便将某些值添加到现有数据库中。问题在于解析 PDF。

第一次尝试

String[] AllPdf = Directory.GetFiles(Directory.GetCurrentDirectory(), "*.pdf", SearchOption.TopDirectoryOnly);
        foreach (var pdfDoc in AllPdf)
        {
            using (PdfReader reader = new PdfReader(pdfDoc))
            {
                for (int page = 1; page <= reader.NumberOfPages; page++)
                {
                    ITextExtractionStrategy strategy = new LocationTextExtractionStrategy();
                    String text = PdfTextExtractor.GetTextFromPage(reader, page, strategy);
                }
                
            }
        }

但不幸的是，这只解析了标题之后的文本（雇主、网站、语言等）。我需要标题才能创建一个将映射到数据库中的关系的类。

第二次尝试

String[] AllPdf = Directory.GetFiles(Directory.GetCurrentDirectory(), "*.pdf", SearchOption.TopDirectoryOnly);
        foreach (var pdfDoc in AllPdf)
        {
            using (PdfReader reader = new PdfReader(pdfDoc))
            {
                for (int page = 1; page <= reader.NumberOfPages; page++)
                {
                    byte[] streamBytes = reader.GetPageContent(page);
                    PRTokeniser tokenizer = new PRTokeniser(new RandomAccessFileOrArray(new RandomAccessSourceFactory().CreateSource(streamBytes)));
                    while (tokenizer.NextToken())
                    {
                        if (tokenizer.TokenType == PRTokeniser.TokType.STRING)
                        {
                            String text = tokenizer.StringValue;
                        }
                    }
                }
                
            }
        }

幸运的是，它解析了丢失的标题，但它首先解析它们（新行中的单词而不是单行），然后解析值。

iTextSharp 文档？

iTextSharp 中必须有可以找到标题/值对的类。或者至少以可读格式解析标题。我很高兴编写自己的 ITextExtractionStrategy 实现。

Answer 1

iTextSharp 没有官方文档页面，但您可以在 SO 上找到一些答案 here。不要从字符串中的 PDF 中获取数据，而是尝试将其解析为 XML，然后使用 XPath 来获取您需要的数据。或者您可以使用 Linq to XML。我猜PDF中的每一页都有相同的格式，所以XML结构也可以有相同的格式。

这是一个使用iTextSharp 的项目示例，here 是一个您可以使用的 SDK（付费），但如果您希望它免费，它是一个临时解决方案。