C# Itextsharp文本提取

我正在使用vb.net上的itextsharp从pdf文件中获取文本内容。该解决方案适用于某些文件，但不适用于其他文件，即使是非常简单的文件。问题是令牌stringvalue设置为null（一组空的方形框）

我可以测量内容的长度，但无法获得实际的字符串内容

我意识到这取决于pdf的字体。如果我使用Acrobat或PdfCreator with Courier创建pdf（顺便说一下，这是我的visual studio编辑器中的默认字体），我可以获取所有文本内容。如果相同的pdf使用不同的字体生成，我会得到空的方形框

现在的问题是，如何在不考虑字体设置的情况下提取文本

谢谢退房

或

两者都需要iText[Sharp]的最新版本。实际上，自己解析内容流只是在这一点上重新发明轮子。别让自己痛苦，让我来帮你吧

---

PDFTextractor将为您处理所有不同的字体/编码问题。。。不管怎么说，都是可以处理的。如果您不能准确地从Reader复制/粘贴，则PDF中没有足够的信息从内容流中获取字符信息。

补充Mark的回答，这对我有很大帮助。iTextSharp实现名称空间和类与java版本有点不同

 public static string GetTextFromAllPages(String pdfPath)
    {
        PdfReader reader = new PdfReader(pdfPath); 

        StringWriter output = new StringWriter();  

        for (int i = 1; i <= reader.NumberOfPages; i++) 
            output.WriteLine(PdfTextExtractor.GetTextFromPage(reader, i, new SimpleTextExtractionStrategy()));

        return output.ToString();
    }

public静态字符串GetTextFromAllPages（字符串pdfPath）
{
PdfReader reader=新的PdfReader（pdfPath）；
StringWriter输出=新建StringWriter（）；
对于（int i=1；i，如果有人需要，这里有一个带有iTextSharp.text.pdf.PdfName.ANNOTS和iTextSharp.text.pdf.PdfName.CONTENT的变体

        string strFile = @"C:\my\path\tothefile.pdf";
        iTextSharp.text.pdf.PdfReader pdfRida = new iTextSharp.text.pdf.PdfReader(strFile);
        iTextSharp.text.pdf.PRTokeniser prtTokeneiser;
        int pageFrom = 1;
        int pageTo = pdfRida.NumberOfPages;
        iTextSharp.text.pdf.PRTokeniser.TokType tkntype ;
        string tknValue;

        for (int i = pageFrom; i <= pageTo; i++) 
        {
            iTextSharp.text.pdf.PdfDictionary cpage = pdfRida.GetPageN(i);
            iTextSharp.text.pdf.PdfArray cannots = cpage.GetAsArray(iTextSharp.text.pdf.PdfName.ANNOTS);

            if(cannots!=null)
                foreach (iTextSharp.text.pdf.PdfObject oAnnot in cannots.ArrayList) 
                {
                    iTextSharp.text.pdf.PdfDictionary cAnnotationDictironary = (iTextSharp.text.pdf.PdfDictionary)pdfRida.GetPdfObject(((iTextSharp.text.pdf.PRIndirectReference)oAnnot).Number);

                    iTextSharp.text.pdf.PdfObject moreshit = cAnnotationDictironary.Get(iTextSharp.text.pdf.PdfName.CONTENTS);
                    if (moreshit != null && moreshit.GetType() == typeof(iTextSharp.text.pdf.PdfString)) 
                    {
                        string cStringVal = ((iTextSharp.text.pdf.PdfString)moreshit).ToString();
                        if (cStringVal.ToUpper().Contains("LOS 8"))
                        { // DO SOMETHING FUN

                        }
                    }
                }
        }
        pdfRida.Close();

string strFile=@“C:\my\path\tothefile.pdf”；
iTextSharp.text.pdf.PdfReader pdfRida=新的iTextSharp.text.pdf.PdfReader（strFile）；
iTextSharp.text.pdf.PRTokeniser-prtTokeneiser；
int pageFrom=1；
int pageTo=pdfRida.NumberOfPages；
iTextSharp.text.pdf.PRTokeniser.TokType tkntype；
字符串tknValue；
对于（int i=pageFrom；i+1）给出完整的代码示例，而不仅仅是一行代码。是否可以使用itextsharp在“ftp服务器”上提取文件？@Munavvar，不幸的是，我没有这样的经验。但通常您可以读取文件流或二进制文件的frs中的ftp，并向itextsharp馈送返回一个空的（只有空格）有时可能的原因是什么？@Nerdintraining，请更确切地说，有时，可能是当异常的pdf格式通过时，或者可能是当页面实际上是一个必须首先进行OCR的图像时。
String pageText = 
  PdfTextExtractor.getTextFromPage(myReader, pageNum, new LocationTextExtractionStrategy());

 public static string GetTextFromAllPages(String pdfPath)
    {
        PdfReader reader = new PdfReader(pdfPath); 

        StringWriter output = new StringWriter();  

        for (int i = 1; i <= reader.NumberOfPages; i++) 
            output.WriteLine(PdfTextExtractor.GetTextFromPage(reader, i, new SimpleTextExtractionStrategy()));

        return output.ToString();
    }

        string strFile = @"C:\my\path\tothefile.pdf";
        iTextSharp.text.pdf.PdfReader pdfRida = new iTextSharp.text.pdf.PdfReader(strFile);
        iTextSharp.text.pdf.PRTokeniser prtTokeneiser;
        int pageFrom = 1;
        int pageTo = pdfRida.NumberOfPages;
        iTextSharp.text.pdf.PRTokeniser.TokType tkntype ;
        string tknValue;

        for (int i = pageFrom; i <= pageTo; i++) 
        {
            iTextSharp.text.pdf.PdfDictionary cpage = pdfRida.GetPageN(i);
            iTextSharp.text.pdf.PdfArray cannots = cpage.GetAsArray(iTextSharp.text.pdf.PdfName.ANNOTS);

            if(cannots!=null)
                foreach (iTextSharp.text.pdf.PdfObject oAnnot in cannots.ArrayList) 
                {
                    iTextSharp.text.pdf.PdfDictionary cAnnotationDictironary = (iTextSharp.text.pdf.PdfDictionary)pdfRida.GetPdfObject(((iTextSharp.text.pdf.PRIndirectReference)oAnnot).Number);

                    iTextSharp.text.pdf.PdfObject moreshit = cAnnotationDictironary.Get(iTextSharp.text.pdf.PdfName.CONTENTS);
                    if (moreshit != null && moreshit.GetType() == typeof(iTextSharp.text.pdf.PdfString)) 
                    {
                        string cStringVal = ((iTextSharp.text.pdf.PdfString)moreshit).ToString();
                        if (cStringVal.ToUpper().Contains("LOS 8"))
                        { // DO SOMETHING FUN

                        }
                    }
                }
        }
        pdfRida.Close();