在 Itext 中获取 pdf 文件内容答案

【问题标题】：Get pdf file content in Itext在 Itext 中获取 pdf 文件内容
【发布时间】：2012-10-21 15:23:32
【问题描述】：

有没有一种方法可以将 pdf 文件（“example.pdf”）的内容放入 IText 对象中，例如 Paragraph 或 Chunk？

我需要使用正在生成的新 pdf 中的内容（以及其他文本）。

【问题讨论】：

您说您需要使用正在生成的新 pdf 中的内容。您的使用动态如何？您是否重复使用完整的页面？或者你真的需要重排东西吗？在前一种情况下，请使用用于操作现有 PDF 的 PdfStamper。

【解决方案1】：

不，至少不容易。

当iText将Chunks和Paragraphs以及所有此类对象放入PDF（或其他PDF创建程序各自的对象）时，“从这里到那里的单词组成一个段落”或“这些单词组成一个章节”的信息是一般丢失。相反，所有剩下的都是多个定位的字母组。（好吧，可以有更多信息，但大多数情况下没有。）

不过，您可以做的是使用类解析 PDF 的内容，例如在 iText 解析器包中检索那些定位的字母组，并对它们应用一些启发式方法来猜测它们中的哪些构成段落、章节或其他。

【讨论】：

【解决方案2】：

它的 C# 代码，但也应该在 java 上工作。 Java 上的命名空间iTextSharp.text.pdf.parser; 看起来有点不同，但它必须是.parse

Rectangle rect = new Rectangle(48.031496063f, 643.307086614f, 198.42519685f + 68.031496063f, 70.866141732f + 663.307086614f);
RenderFilter f = new RegionTextRenderFilter(rect);
List<RenderFilter> fi = new List<RenderFilter>();
fi.Add(f); 
ITextExtractionStrategy strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), fi.ToArray()); 
//on java it should be:  ITextExtractionStrategy strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), f); 
sw.WriteLine(PdfTextExtractor.GetTextFromPage(reader, 1, strategy));

object rect 是您想要进行 OCR 的区域。所有文本都应放入 txt 文件中，与我在 pdf 上显示的非常相似。有关 iText 上 OCR 的更多信息，您应该查看 Bruno Lowagie 的“iText in action. 2nd edition”中的第 15.3 章。

免责声明。我与布鲁诺无关，只是读他的书。它回答了我很多关于如何使用 iText(Sharp) 的问题。

【讨论】：