C# 如何使用iText 7从PDF中提取图像和文本

我创建了一个简单的方法，从PDF文件中提取文本并将文本插入txt文件。 问题是，它只提取pdf的文本，而不是从插入pdf的图像中提取文本。我尝试过这个，但不知道如何实现。 如果您只对文本感兴趣，则此代码可以正常工作

//usings
using iText.Kernel.Pdf;
using iText.Kernel.Pdf.Canvas.Parser;
using iText.Kernel.Pdf.Canvas.Parser.Listener;
using System.IO;
using System.Text;
//code
 string file = @"C:\test.pdf";
            string extension = Path.GetExtension(file);
            var pageText = new StringBuilder();

            if (extension == ".pdf")
            {
                using (PdfDocument pdfDocument = new PdfDocument(new PdfReader(file)))
                {
                    var pageNumbers = pdfDocument.GetNumberOfPages();
                    StreamWriter sw = new StreamWriter(@"C:\output.txt");

                    for (int i = 1; i <= pageNumbers; i++)
                    {
                        LocationTextExtractionStrategy strategy = new LocationTextExtractionStrategy();
                        PdfCanvasProcessor parser = new PdfCanvasProcessor(strategy);
                        parser.ProcessPageContent(pdfDocument.GetFirstPage());
                        pageText.Append(strategy.GetResultantText());
                        string name = pageText.ToString();
                        sw.WriteLine(name);
                    }
                    sw.Close();

                }
            }

//使用
使用iText.Kernel.Pdf；
使用iText.Kernel.Pdf.Canvas.Parser；
使用iText.Kernel.Pdf.Canvas.Parser.Listener；
使用System.IO；
使用系统文本；
//代码
字符串文件=@“C:\test.pdf”；
字符串扩展名=Path.GetExtension（文件）；
var pageText=新的StringBuilder（）；
如果（扩展名=“.pdf”）
{
使用（PdfDocument PdfDocument=新PdfDocument（新PDF阅读器（文件）））
{
var pageNumbers=pdfDocument.GetNumberOfPages（）；
StreamWriter sw=新的StreamWriter（@“C:\output.txt”）；
对于（int i=1；i首先，让我解释一下为什么您的方法不起作用：当通过
PdfCanvasProcessor#processPageContent
iText处理页面内容时，它处理页面的内容流，而不是此处可能提到的ImageXObject

所以问题是：如何对这些图像进行ocr？
然而，这个问题可以分为两部分：

如何查找/提取所有文档的图像
如何进行光学字符识别
web上有几个iText示例，其中展示了如何实现这一点。这是iText示例之一中描述的选项：
有几个SO答案，您可能还需要检查，例如，这一个：


可以使用几个开源库来执行此任务：例如，iText的pdfOCR。它提供了ocr图像并将其包装为PDF（或PDF/A）或仅ocr图像的机会。一个良好的起点：


关于您未加载pdfocr类的问题的提示：也许您忽略了pdfocr是一个独立库的事实：您不应该在iTextCore上添加依赖项，而应该在pdfocr本身上添加依赖项。
“我尝试过这一点，但不了解如何实现。”-也许你应该解释你没有理解的内容。因为OCR本质上是你必须做的。@mkl从顶部开始使用iText.Pdfocr；和使用iText.Pdfocr.Tesseract4；找不到。@KJ谢谢你提供的信息，但我仍然迷路了。