在 .NET 中从 PDF 中读取文本

Question

我正在尝试使用 iTextSharp 库将 PDF 中的文本读入字符串。

iTextSharp.text.pdf.PdfReader pdfReader = new iTextSharp.text.pdf.PdfReader(@"C:\mypdf.pdf");
ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
string currentText = PdfTextExtractor.GetTextFromPage(pdfReader, 1, strategy);
text = Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(currentText))); 
pdfReader.Close();
Console.WriteLine(text);

这通常可以正常工作，但每隔几行就会省略空格，给我留下如下输出：“thisismyoutputwithoutwhitespace”。正确解析的文本似乎与未正确解析的文本相同；相同的文本将始终被错误地解析，这让我认为这是 PDF 中的内容。

Answer 1

在 PDF 的内容流中没有“单词”的概念。因此，在 iText(Sharp) 的文本提取实现中，有一些启发式方法可以确定如何将字符分组为单词。当 2 个字符之间的距离大于当前字体中空格宽度的一半时，插入空格。

最有可能的是，在没有空格的情况下提取的文本的单词之间的距离小于“spacewidth / 2”。

在SimpleTextExtractionStrategy.RenderText():

if (spacing > renderInfo.GetSingleSpaceWidth()/2f){
    AppendTextChunk(' ');
}

您可以扩展SimpleTextExtractionStrategy 并调整RenderText()。

在LocationTextExtractionStrategy 更方便。你只需要覆盖IsChunkAtWordBoundary()：

protected bool IsChunkAtWordBoundary(TextChunk chunk, TextChunk previousChunk) {
    float dist = chunk.DistanceFromEndOf(previousChunk);
    if(dist < -chunk.CharSpaceWidth || dist > chunk.CharSpaceWidth / 2.0f)
        return true;

     return false;
}

您必须进行一些试验才能为您的 PDF 获得好的结果。在您的情况下，“spacewidth / 2”显然太大了。但是如果你把它调整得太小，你会得到误报：单词中会插入空格。