这是实现的非常非常简单的版本。
在实施之前， _ _ 重要的一点是要知道PDF的“单词”，“段落”，“句子”等概念为零。此外，PDF中的文本不一定从左到右，从上到下地排列，并且没有任何意义。与非LTR语言有关。短语“ Hello World”可以写为PDF：
Draw H at (10, 10)
Draw ell at (20, 10)
Draw rld at (90, 10)
Draw o Wo at (50, 20)
也可以写成
Draw Hello World at (10,10)
ITextExtractionStrategy您需要实现的接口具有一种称为的方法RenderText，该方法将为PDF中的每个文本块调用一次。注意我说的是“块”而不是“词”。在上面的第一个示例中，对于这两个单词，该方法将被调用四次。在第二个示例中，这两个单词将被调用一次。这是要理解的非常重要的部分。PDF没有单词，因此，iTextSharp也没有单词。“单词”部分由您决定要100％解决。
同样，正如我上面所说，PDF没有段落。意识到这一点的原因是因为PDF无法将文本换行。每当您看到类似段落的内容时，实际上您会看到一个全新的文本绘图命令，该命令的y坐标与上一行不同。请参阅此内容以进行进一步讨论。
下面的代码是一个非常简单的实现。为此，我LocationTextExtractionStrategy将已经实现的子类化ITextExtractionStrategy。在每次调用时，RenderText()我都会找到当前块的矩形（在此使用Mark的代码），并将其存储以备后用。我正在使用这个简单的帮助器类来存储这些块和矩形：
//Helper class that stores our rectangle and text
public class RectAndText {
public iTextSharp.text.Rectangle Rect;
public String Text;
public RectAndText(iTextSharp.text.Rectangle rect, String text) {
this.Rect = rect;
this.Text = text;
}
}
这是子类：
public class MyLocationTextExtractionStrategy : LocationTextExtractionStrategy {
//Hold each coordinate
public List<RectAndText> myPoints = new List<RectAndText>();
//Automatically called for each chunk of text in the PDF
public override void RenderText(TextRenderInfo renderInfo) {
base.RenderText(renderInfo);
//Get the bounding @R_447_2419@ for the chunk of text
var bottomLeft = renderInfo.GetDescentLine().GetStartPoint();
var topRight = renderInfo.GetAscentLine().GetEndPoint();
//Create a rectangle from it
var rect = new iTextSharp.text.Rectangle(
bottomLeft[Vector.I1],
bottomLeft[Vector.I2],
topRight[Vector.I1],
topRight[Vector.I2]
);
//Add this to our main collection
this.myPoints.Add(new RectAndText(rect, renderInfo.GetText()));
}
}
最后是上面的实现：
//Our test file
var testFile = Path.Combine(Environment.GetFolderPath(Environment.SpecialFolder.Desktop), "test.pdf");
//Create our test file, nothing special
using (var fs = new FileStream(testFile, FileMode.Create, FileAccess.Write, FileShare.None)) {
using (var doc = new Document()) {
using (var writer = PdfWriter.GetInstance(doc, fs)) {
doc.open();
doc.Add(new Paragraph("This is my sample file"));
doc.Close();
}
}
}
//Create an instance of our strategy
var t = new MyLocationTextExtractionStrategy();
//Parse page 1 of the document above
using (var r = new PdfReader(testFile)) {
var ex = PdfTextExtractor.GetTextFromPage(r, 1, t);
}
//Loop through each chunk found
foreach (var p in t.myPoints) {
Console.WriteLine(string.Format("Found text {0} at {1}x{2}", p.Text, p.Rect.Left, p.Rect.Bottom));
}
我不能过分强调上述内容 _ _ 考虑“单词”，这取决于您。TextRenderInfo传入的对象RenderText具有一种称为的方法GetCharacterRenderInfos()，您可能可以使用该方法来获取更多信息。GetBaseline() instead of如果您不关心字体的后代，则可能还需要使用GetDescentLine（）`。
（我吃了一顿丰盛的午餐，所以感觉有所帮助。）
这是该版本的更新版本，MyLocationTextExtractionStrategy可完成我在下面的评论中所说的，即，它需要一个字符串来搜索并在每个块中搜索该字符串。由于列出的所有原因，在某些/许多/大多数/所有情况下，这将不起作用。如果子字符串在单个块中多次存在，则它还将仅返回第一个实例。连字和变音符号也可能与此混为一谈。
public class MyLocationTextExtractionStrategy : LocationTextExtractionStrategy {
//Hold each coordinate
public List<RectAndText> myPoints = new List<RectAndText>();
//The string that we're searching for
public String TextToSearchFor { get; set; }
//How to compare strings
public System.Globalization.CompareOptions CompareOptions { get; set; }
public MyLocationTextExtractionStrategy(String textToSearchFor, System.Globalization.CompareOptions compareOptions = System.Globalization.CompareOptions.None) {
this.TextToSearchFor = textToSearchFor;
this.CompareOptions = compareOptions;
}
//Automatically called for each chunk of text in the PDF
public override void RenderText(TextRenderInfo renderInfo) {
base.RenderText(renderInfo);
//See if the current chunk contains the text
var startPosition = System.Globalization.CultureInfo.CurrentCulture.CompareInfo.IndexOf(renderInfo.GetText(), this.TextToSearchFor, this.CompareOptions);
//If not found bail
if (startPosition < 0) {
return;
}
//Grab the individual characters
var chars = renderInfo.GetCharacterRenderInfos().Skip(startPosition).Take(this.TextToSearchFor.Length).ToList();
//Grab the first and last character
var firstChar = chars.First();
var lastChar = chars.Last();
//Get the bounding @R_447_2419@ for the chunk of text
var bottomLeft = firstChar.GetDescentLine().GetStartPoint();
var topRight = lastChar.GetAscentLine().GetEndPoint();
//Create a rectangle from it
var rect = new iTextSharp.text.Rectangle(
bottomLeft[Vector.I1],
bottomLeft[Vector.I2],
topRight[Vector.I1],
topRight[Vector.I2]
);
//Add this to our main collection
this.myPoints.Add(new RectAndText(rect, this.TextToSearchFor));
}
您将使用与以前相同的方法，但是现在构造函数具有一个必需的参数：
var t = new MyLocationTextExtractionStrategy("sample");
602392714
清零编程群