如何读表？

Question

我有一个 PDF 文件的时间表。

            (1)     (2)     (3)
            09:00   10:30   11:30            
Monday      12C     11B     10A
Tuesday     10K     10K     9A
Wednesday           7A
Thursday    7B      7B
Friday      6A              11B

我正在使用 iTextSharp 阅读所有文本。

    private static string ReadFile(string path)
    {
        using (var reader = new PdfReader(path))
        {
            var text = new StringBuilder();

            for (var i = 1; i <= reader.NumberOfPages; i++)
                text.Append(PdfTextExtractor.GetTextFromPage(reader, i));

            return text.ToString();
        }
    }

这个文本响应行是这样的：

(1) (2) (3) 
09:00 10:30 11:30
12C 11B 10A
Monday
10K 10K 9A
Tuesday
7A
Wednesday
B 7B
Thursday
6A  11B
Friday

所以我不明白什么时候上课？例如，星期三有 7A 班，但哪个时间（09:00 或 10:30 或 11:30）？ 如果它写一个空格字符（&nbsp），我可以理解。

(1) (2) (3) 
09:00 10:30 11:30
12C 11B 10A
Monday
10K 10K 9A
Tuesday
&nbsp 7A &nbsp
Wednesday
B 7B &nbsp
Thursday
6A &nbsp 11B
Friday

这可以使用 iTextSharp 吗？

Answer 1

这在一般情况下是不可能的。

如果您的 PDF 文档没有标记，则文档本身不包含结构信息。或者简单地说，文档不知道哪些部分是表格，或者表格行，甚至是段落。

从未标记的 PDF 文档中提取结构信息很困难。如果不是在一般情况下说不可能的话。

使用 pdf2Data，您可以实现这一点。需要注意的是，您必须预先定义模板。所以你需要告诉软件它可以在哪里找到一张桌子。

您可以在iText 中查看SimpleTextExtractionStrategy。 它本质上处理所有渲染信息，并决定何时将文本连接到现有缓冲区。

在代码中的某个位置，它决定如果缓冲区已经以空格结尾，则不应再添加空格。

我建议您创建自己的 SimpleTextExtractionStrategy 实现来覆盖此行为并始终插入空格。