0

我想为包含二进制和明文数据的文本解析pdf 。当我尝试使用 PdfReaderContentParser 执行此操作时，GetResultantText 方法为二进制内容返回正确的文本，但为明文内容返回空格。这是我使用的代码：

        byte[] binaryPdf = File.ReadAllBytes(this.fileName);
        reader = new PdfReader(binaryPdf);

        PdfReaderContentParser parser = new PdfReaderContentParser(reader);

        for (int i = 1; i <= reader.NumberOfPages; i++)
        {
            SimpleTextExtractionStrategy simpleStragety = parser.ProcessContent(i, new SimpleTextExtractionStrategy());
            string contentText = simpleStragety.GetResultantText();

            // Do something with the contentText
            // ...
        }

知道如何获取所有内容吗？

4

1 回答 1

3

概述

在评论中，OP 澄清了他在提取的文本中缺少哪些文本：

基本上对于左侧的所有描述（例如提升时刻），我得到的是空格而不是实际文本。

这样做的原因很简单：在页面内容的大部分左侧只有空格（如果有的话）。您实际看到的标签是只读的表单字段。

例如“Lifting moment”是表单域的值13B141032。

如果您希望文本提取也包含这些字段，则应考虑在第一步中将文档展平（将字段外观移动到常规页面内容流中）并从该展平文档中提取文本。

文件分析

看起来规范标签国际化的主要部分是使用表单字段完成的。

对于概述，我将原始文档分开

原始文件

进入其常规页面内容

页面内容

和表单域

页面字段

表单字段下的页面内容中确实有几串空格。

我会假设该文档（或它的模板）曾经有一个早期版本，其中包含这些标签（可能只有一种语言或两种语言）作为页面内容。

然后有一个更动态的国际化任务，所以有人用空格替换了页面内容中现有的标签，并添加了新的国际化标签作为只读的表单域，可能是因为表单域更容易操作。

但是，考虑到原始标签似乎已被相同数量的空格替换，人们可能会推测甚至还有另一个程序在硬编码偏移量处操作此文档和类似文档的页面流，并且不会在在国际化过程中，必须在页面内容之外创建实际标签。奇怪的事情发生了……

压平并提取

如上所述，如果您希望文本提取也包含这些字段，则应考虑在第一步中将文档展平（将字段外观移动到常规页面内容流中）并从该展平文档中提取文本。这可以这样做：

[Test]
public void ExtractFlattenedTextTestSeeb()
{
    FileInfo file = new FileInfo(@"PATH_TO_FILE\41851208.pdf");
    Console.Out.Write("41851208.pdf, flattened before extraction\n\n");

    using (MemoryStream memStream = new MemoryStream())
    {
        using (PdfReader readerOrig = new PdfReader(file.FullName))
        using (PdfStamper stamper = new PdfStamper(readerOrig, memStream))
        {
            stamper.Writer.CloseStream = false;
            stamper.FormFlattening = true;
        }
        memStream.Position = 0;
        using (PdfReader readerFlat = new PdfReader(memStream))
        {
            PdfReaderContentParser parser = new PdfReaderContentParser(readerFlat);

            for (int i = 1; i <= readerFlat.NumberOfPages; i++)
            {
                SimpleTextExtractionStrategy simpleStragety = parser.ProcessContent(i, new SimpleTextExtractionStrategy());
                string contentText = simpleStragety.GetResultantText();

                Console.Write("Page {0}:\n\n{1}\n\n", i, contentText);
            }
        }
    }
}

结果标准输出： 

41851208.pdf, flattened before extraction

Page 1:

90–120 l/min 
(23.8–31.7 US gal./min) 
60 kg 
(132 lbs) 
115 kg 
(254 lbs) 
350 l 
(92.5 US gal.) 
100 kg 105 kg 
(220 lbs) (231 kg) 
100 kg 
(220 lbs) 
250 l 300 l 
(66.0 US gal.) (79.3 US gal.) 
90 kg 
(198 lbs) 
180 l 
(47.6 US gal.) 
5305kg 
(11695 lbs) 
5265kg 
(11607 lbs) 
5395kg 
(11894 lbs) 
5205kg 
(11475 lbs) 
5010kg 
(11045 lbs) 
4780kg 
(10538 lbs) 
4470kg 
(9854 lbs) 
4190kg 
(9237 lbs) 
3930kg 
(8664 lbs) 
5215kg 
(11497 lbs) 
5045kg 
(11122 lbs) 
4860kg 
(10714 lbs) 
4650kg 
(10251 lbs) 
4350kg 
(9590 lbs) 
4100kg 
(9039 lbs) 
3850kg 
(8488 lbs) 
25.2 m 
(82’ 8") 
23.2 m 
(76’ 1") 
21.0 m 
(68’ 11") 
18.7 m 
(61’ 4") 
16.4 m 
(53’ 10") 
14.1 m 
(46’ 3") 
11.8 m 
(38’ 9") 
9.7 m 
(31’ 10") 
7.7 m 
(25’ 3") 
36.5 MPa (365 bar) 
(5293 psi) 
endlos 
endless 
sans finite 
25.2 m 
31.2 m 
(82’ 8") 
(102’ 4") 
21.0 m 
(68’ 11") 
14900kg 
(32848 lbs) 
403.2 kNm (41.1 mt) 
(297270 ft.lbs) 
49.1 kNm (5.0 mt) 
PK 42002–SH A–G 
(36210 ft.lbs) 
37.3 kNm (3.8 mt) 
PK 42002–SH A–C 
(27510 ft.lbs) 

1GETR 2GETR
PK 42002–SH A – C
KT250 KT300 KT350 KT180



2GETR STZY



+V1
+V2
+2/4
7(F) 8(G) 6(E) 5(D) 4(C) 3(B) 2(A)



+V1
+V2







































(S410–SK–D)
DTS410SHC/03
0100
11/2010



PK 42002–SH
Type Model Modell
Page Page Seite
Chapitre Chapter Kapitel
Edition Edition Ausgabe



Öltank
Mehrgewicht: 
Alle Gewichtsangaben ohne Aufbauzubehör,Zusatzgeräte und Öl. 
Hydr. Ausschübe:
Max. Reichweite + Fly-Jib:
Max. Reichweite: 
Fördermenge der Pumpe: 
Betriebsdruck: 
Schwenkmoment: 
Schwenkbereich: 
Max. Reichweite: 
Max. hydraulische Reichweite: 
Max. Hubkraft: 
Max. Hubmoment:
Gewicht +V ohne 2/4
Krangewicht (R3X,STZS): 
Technische Daten 
Konstruktionsänderungen vorbehalten, fertigungstechn. Toleranzen müssen berücksichtigt werden. 
Oil tank
Excess weight: 
All weights given without assembly accessory,additional devices and oil. 
Hydr. boom extensions:
Max. outreach + Fly-Jib: 
Max. outreach: 
Pump capacity: 
Operating pressure:
Slewing torque: 
Slewing angle: 
Max. outreach: 
Max. hydraulic outreach: 
Max. lifting capacity: 
Lifting moment:
Weight +V without 2/4
Crane weight (R3X,STZS): 
Specifications 
Subject to change, production tolerances have to be taken into account. 
Réservoir
Excessif poids: 
Tous les poids sans huile ni accessoire de montage ni appareils accessoires 
Extensions hydrauliques:
Portee maximale + Fly-Jib: 
Max. portee: 
Debit de pompe: 
Pression d' utilisation:
Couple de rotation: 
Angle de rotation: 
Max. portee: 
Portee hydraulique maximale: 
Capacite maxi de levage:
Couple de levage:
Poids +V sans 2/4
Poids grue (R3X,STZS): 
Données Techniques 
Sous reserve de modifications de conception. Les tolerances relatives a la technique de production doivent etre prises en consideration.

如您所见，“提升时刻”和所有其他缺失的标签现在都在那里。

于 2015-12-02T10:02:22.830 回答