PDF 表结构

Question

我有一个表格结构的 PDF 文件，但我无法将它存储在数据库中，因为 PDF 文件是 Mangal 字体。

所以我遇到了两个问题：

1. 从 PDF 中提取表格数据
2. 文字是马拉地语

我已经使用以下代码为英语做到了这一点：

ITextExtractionStrategy strategy = new LocationTextExtractionStrategy(); 
string currentText = PdfTextExtractor.GetTextFromPage(pdfReader, i+1, strategy); 
text.Append(currentText); 
string rawPdfContent = Encoding.UTF8.GetString(Encoding.Convert(Encoding.UTF8, Encoding.UTF8, pdfReader.GetPageContent(i + 1)));

此编码提供表格结构但仅适用于英文字体，想知道马拉地语。

Answer 1

有趣的是，没有要求。 1其实是最难的。

为了理解原因，您需要稍微了解一下 PDF。 PDF 不是所见即所得的格式。如果您在记事本（或 notepad++）中打开 PDF 文件，您会发现它似乎不包含任何人类可读的信息。

事实上，PDF 包含告诉查看器程序（如 Adob​​e）如何呈现 PDF 的说明。

因此，其中没有一个实际的表格（就像您在 HTML 文档中所期望的那样），它将包含以下内容：

• 从 .. 到 .. 画一条线
• 去位置..
• 绘制字符'123'
• 将字体设置为 Helvetica 粗体
• 去位置..
• 从 .. 到 .. 画一条线
• 绘制字符“456”
• 等

另见How does TextRenderInfo work in iTextSharp?

为了从 PDF 中提取表格，您需要做几件事。

• 实现 IEventListener（这是一个可以附加到 Parser 实例的类，Parser 将遍历整个页面，并将 TextRenderInfo、ImageRenderInfo 和 PathRenderInfo 事件等事件通知所有侦听器）
• 注意 PathRenderInfo 事件
• 构建跟踪正在绘制的路径的数据结构
• 一旦检测到大约 90° 角的线簇，您就可以假设正在绘制一张表格
• 确定适合线簇的最大边界框（这称为凸包问题，解决它的算法称为礼品包装算法）
• 现在您有了一个矩形，可以告诉您表格的位置（在页面上）。
• 您现在可以在表中递归地应用相同的逻辑来确定行和列
• 您还可以跟踪 TextRenderInfo 事件，并根据适合表格中每个单独单元格的矩形将它们分类到 bin 中

这是很多工作。这一切都不是微不足道的。事实上，这就是人们写博士论文的内容。

iText 以pdf2Data tool 的形式很好地实现了大多数这些算法。

Answer 2

代码：

ITextExtractionStrategy strategy = new LocationTextExtractionStrategy(); 
string currentText = PdfTextExtractor.GetTextFromPage(pdfReader, i+1, strategy); 
string rawPdfContent = Encoding.UTF8.GetString(Encoding.Convert(Encoding.UTF8, Encoding.UTF8, pdfReader.GetPageContent(i + 1)));

然后我从 PDF 中识别出线条（水平和垂直）。至于行 PDF 有 re 或 m 和 l 关键字。

然后我为从 iTextSharp 获得的马拉地语文本工作。

然后我将两者合并到所需的位置我使用代码提取文本-

Int64 width = Convert.ToInt64(linesVertical[5].StartPoint.X) - Convert.ToInt64(linesVertical[2].StartPoint.X);
                Int64 height = Convert.ToInt64(linesVertical[2].EndPoint.Y) - (Convert.ToInt64(linesVertical[2].StartPoint.Y));
System.util.RectangleJ rect = new System.util.RectangleJ(Convert.ToInt64(linesVertical[2].StartPoint.X), (800 - Convert.ToInt64(linesVertical[2].EndPoint.Y) + 150), width, height);
                RenderFilter[] renderFilter = new RenderFilter[1];
                renderFilter[0] = new RegionTextRenderFilter(rect);
                ITextExtractionStrategy textExtractionStrategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), renderFilter);
                Owner_Name = PdfTextExtractor.GetTextFromPage(reader, 1, textExtractionStrategy);