Lesen von Text aus PDF in. NET

Question

Ich versuche, Text aus einer PDF in eine Zeichenfolge mit Hilfe der iTextSharp-Bibliothek zu lesen.

iTextSharp.text.pdf.PdfReader pdfReader = new iTextSharp.text.pdf.PdfReader(@"C:\mypdf.pdf"); 
ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy(); 
string currentText = PdfTextExtractor.GetTextFromPage(pdfReader, 1, strategy); 
text = Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(currentText))); 
pdfReader.Close(); 
Console.WriteLine(text); 

Dies funktioniert in der Regel in Ordnung, aber alle paar Zeilen die Leerzeichen weggelassen, wie ich mit Ausgang zu verlassen: „thisismyoutputwithoutwhitespace“. Der Text, der korrekt analysiert, scheint derselbe zu sein wie der Text, der nicht korrekt analysiert wird. Derselbe Text wird immer falsch geparst, was mich glauben lässt, dass es sich um etwas in den PDFs handelt.

Answer 1

Im Content-Stream einer PDF gibt es keine Vorstellung von "Wörtern". Also gibt es in iText (Sharp) 's Text Extraction Implementation einige Heuristiken, um zu bestimmen, wie man Zeichen in Wörter gruppiert. Wenn der Abstand zwischen zwei Zeichen größer als die halbe Breite eines Leerzeichens in der aktuellen Schriftart ist, wird Leerraum eingefügt.

Höchstwahrscheinlich hat der Text, der ohne Leerzeichen extrahiert wird, Abstände zwischen den Wörtern, die kleiner sind als "spacebright/2".

In SimpleTextExtractionStrategy.RenderText():

if (spacing > renderInfo.GetSingleSpaceWidth()/2f){ 
    AppendTextChunk(' '); 
} 

Sie können SimpleTextExtractionStrategy erweitern und die RenderText() einzustellen.

In LocationTextExtractionStrategy ist es bequemer. Sie müssen nur IsChunkAtWordBoundary() außer Kraft zu setzen:

protected bool IsChunkAtWordBoundary(TextChunk chunk, TextChunk previousChunk) { 
    float dist = chunk.DistanceFromEndOf(previousChunk); 
    if(dist < -chunk.CharSpaceWidth || dist > chunk.CharSpaceWidth/2.0f) 
     return true; 

    return false; 
} 

Du musst ein wenig experimentieren, um gute Ergebnisse für Ihre PDF-Dateien zu bekommen. "spacebreite/2" ist in Ihrem Fall offensichtlich zu groß. Aber wenn Sie es zu klein einstellen, erhalten Sie falsch positive Ergebnisse: Leerzeichen werden in Wörter eingefügt.