某些 pdf 的 itextsharp 文本提取失败

Question

我有几个 PDF 文件，我无法从中提取文本。这些 PDF 文件是通过将 Word 文件转换为 PDF 来创建的。 我从pdf中提取文本的主要目的是索引其文本并使其可搜索。

PdfReader reader = new PdfReader(inFileName);
for (int page = 1; page <= reader.NumberOfPages; page++)
{
    // where  strPDFText is string builder 
    strPDFText.Append(iTextSharp.text.pdf.parser.PdfTextExtractor.GetTextFromPage(reader, page) + " ");
}                    
string str = strPDFText.ToString();

我得到一个空字符串。相同的原因可能是什么。我正在使用 Itextsharp 5.5

Answer 1

虽然 OP 提供的示例 PDF 确实表明它是 MS Word 导出文件，但它根本不包含任何文本，仅包含图像（顺便显示文本）。

PDF的内容是这样的：

 /P <</MCID 0>> BDC BT
/F1 11.04 Tf
1 0 0 1 540.1 500.95 Tm
/GS7 gs
0 g
0 G
[( )] TJ
ET
 EMC  /P <</MCID 1>> BDC q
0.000000071 488.88 612 231.12 re
W* n
468 0 0 219.05 72 500.95 cm
/Image8 Do Q
 EMC 

如您所见，实际显示的唯一文本是一个空格 ([( )] TJ)，唯一剩余的内容是位图图像 (/Image8 Do)。

因此，

我得到一个空字符串。可能是什么原因造成的。

原因是您的文档中没有文字。