C# 使用iTextC从PDF中逐行提取文本#

我需要运行一些分析，从PDF文档中提取数据

---

使用

iTextSharp

，我使用了

pdftextractor.GetTextFromPage

方法从PDF文档中提取内容，它以一行长线返回我

有没有办法逐行获取文本，以便将它们存储在数组中？这样我就可以按行分析数据，这将更加灵活

下面是我使用的代码：

       string urlFileName1 = "pdf_link";
        PdfReader reader = new PdfReader(urlFileName1);
        string text = string.Empty;
        for (int page = 1; page <= reader.NumberOfPages; page++)
        {
            text += PdfTextExtractor.GetTextFromPage(reader, page);
        }
        reader.Close();
        candidate3.Text = text.ToString();

string urlFileName1=“pdf\u链接”；
PdfReader reader=新的PdfReader（urlFileName1）；
string text=string.Empty；
对于（int page=1；pageTry

使用LocationTextExtractionStrategy代替SimpleTextExtractionStrategy。LocationTextExtractionStrategy提取的文本在行尾包含新行字符

ITextExtractionStrategy Strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), renderFilter);
string pdftext = PdfTextExtractor.GetTextFromPage(reader,pageno, Strategy);
string[] words = pdftext.Split('\n');
return words;

public void ExtractTextFromPdf（字符串路径）
{
使用（PdfReader读取器=新PdfReader（路径））
{
StringBuilder text=新的StringBuilder（）；
itextractionstrategy Strategy=new iTextSharp.text.pdf.parser.LocationTextExtractionStrategy（）；
对于（int i=1；iLocationTextExtractionStrategy将自动在输出文本中插入“\n”。但是，有时它会在不应该插入的地方插入“\n”。
在这种情况下，您需要构建一个自定义的TextExtractionStrategy或RenderListener

public virtual bool SameLine(ITextChunkLocation other) {
            return OrientationMagnitude == other.OrientationMagnitude &&
                   DistPerpendicular == other.DistPerpendicular;
        }

在某些情况下，如果distvertical和other.distvertical之间只有很小的差异，则不应插入“\n”，因此需要将其更改为类似Math.Abs（distvertical-other.distvertical）<10的值

或者，您可以将这段代码放入自定义TextExtractionStrategy/RenderListener类的RenderText方法中
我知道这是在一篇较旧的帖子上发布的，但我花了很多时间试图弄清楚这一点，因此我将与未来尝试谷歌搜索的人分享：

using System;
using System.Text;
using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;

namespace PDFApp2
{
class Program
{
    static void Main(string[] args)
    {

        string filePath = @"Your said path\the file name.pdf";
        string outPath = @"the output said path\the text file name.txt";
        int pagesToScan = 2;

        string strText = string.Empty;
        try
        {
            PdfReader reader = new PdfReader(filePath);

            for (int page = 1; page <= pagesToScan; page ++) //(int page = 1; page <= reader.NumberOfPages; page++) <- for scanning all the pages in A PDF
            {
                ITextExtractionStrategy its = new iTextSharp.text.pdf.parser.LocationTextExtractionStrategy();
                strText = PdfTextExtractor.GetTextFromPage(reader, page, its);

                strText = Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(strText)));
                //creating the string array and storing the PDF line by line
                string[] lines = strText.Split('\n');
                foreach (string line in lines)
                {
                    //Creating and appending to a text file
                    using (System.IO.StreamWriter file = new System.IO.StreamWriter(outPath, true))
                    {
                        file.WriteLine(line);
                    }
                }
            }

            reader.Close();
        }
        catch (Exception ex)
        {
            Console.Write(ex);
        }
    }
}
}

使用系统；
使用系统文本；
使用iTextSharp.text.pdf；
使用iTextSharp.text.pdf.parser；
名称空间PDFApp2
{
班级计划
{
静态void Main（字符串[]参数）
{
字符串filePath=@“您所说的路径\文件名.pdf”；
字符串outPath=@“输出所述路径\文本文件名.txt”；
int pagesToScan=2；
string strText=string.Empty；
尝试
{
PdfReader reader=新的PdfReader（文件路径）；
对于（int page=1；page这里的所有其他代码示例对我都不起作用，可能是由于ITEXT7API的更改

这里的这个最小示例可以正常工作：

var pdfReader = new iText.Kernel.Pdf.PdfReader(fileName);
var pdfDocument = new iText.Kernel.Pdf.PdfDocument(pdfReader);
var contents = iText.Kernel.Pdf.Canvas.Parser.PdfTextExtractor.GetTextFromPage(pdfDocument.GetFirstPage());

Xander
几个问题..首先，
PdfReader（urFileName
）`是否在调用过程中同时读取所有行..？如果是这样，则可能需要将for循环更改为while循环，并调用
reader.ReadLine（）
method..我正在查看如何使用StreamReader类正常读取。请告诉我是否有.ReadLine（）方法检查此链接outHi@DJKRAZE是的PdfReader（urlFileName1）一次读取所有行。我认为没有.ReadLine（）方法方法。转到他们的，但找不到它。您可以做一个示例来说明while循环的含义吗？查看此
上一个Stackoverflow
发布它应该为您指出正确的方向
PdfTextExtractor.GetTextFromPage（阅读器，第页）
使用
LocationTextExtractionStrategy
，该策略在文本行更改时插入
'\n'
。如果您不这样做，则有可疑之处。因此，您能否提供PDF供检查？请尝试文本。替换（“\n”，“
”）在发布答案时，请始终包含一些关于代码工作方式及其确切功能的摘要。仅发布代码片段通常是不够的。GetTextFromPage有一个重载，允许您传递iTextractionStrategy。
using System;
using System.Text;
using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;

namespace PDFApp2
{
class Program
{
    static void Main(string[] args)
    {

        string filePath = @"Your said path\the file name.pdf";
        string outPath = @"the output said path\the text file name.txt";
        int pagesToScan = 2;

        string strText = string.Empty;
        try
        {
            PdfReader reader = new PdfReader(filePath);

            for (int page = 1; page <= pagesToScan; page ++) //(int page = 1; page <= reader.NumberOfPages; page++) <- for scanning all the pages in A PDF
            {
                ITextExtractionStrategy its = new iTextSharp.text.pdf.parser.LocationTextExtractionStrategy();
                strText = PdfTextExtractor.GetTextFromPage(reader, page, its);

                strText = Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(strText)));
                //creating the string array and storing the PDF line by line
                string[] lines = strText.Split('\n');
                foreach (string line in lines)
                {
                    //Creating and appending to a text file
                    using (System.IO.StreamWriter file = new System.IO.StreamWriter(outPath, true))
                    {
                        file.WriteLine(line);
                    }
                }
            }

            reader.Close();
        }
        catch (Exception ex)
        {
            Console.Write(ex);
        }
    }
}
}

var pdfReader = new iText.Kernel.Pdf.PdfReader(fileName);
var pdfDocument = new iText.Kernel.Pdf.PdfDocument(pdfReader);
var contents = iText.Kernel.Pdf.Canvas.Parser.PdfTextExtractor.GetTextFromPage(pdfDocument.GetFirstPage());