如何使用iTextSharp从PDF中读取表格？

Question

我遇到了一个读取PDF文件中表格的问题。这是一个非常简单的PDF文件，包含一些文本和一个表格。我使用的工具是itextsharp。我知道PDF文件中没有表格概念。在经过一些谷歌搜索后，有人说可以通过itextsharp + 自定义ITextExtractionStrategy来实现。但我不知道如何开始。请问有人可以给我一些提示吗？或者提供一小段样例代码？

谢谢！

- Victor

---

由于您没有提供样本PDF，因此您的问题只能以一般性回答。因此，如果您真的只想阅读一个特定的表格（或特定类型的表格），您可能需要提供一个样本PDF以获得具体的答案。 - mkl

请查看此帖子及其中的链接 http://stackoverflow.com/a/7515625/231316 - Chris Haas

Answer 1

这段代码用于读取表格内容。所有的值都被()Tj括起来，因此我们查找所有的值，然后你可以对字符串结果进行任何操作。

    string _filePath = @"~\MyPDF.pdf";
    public List<String> Read()
    {
        var pdfReader = new PdfReader(_filePath);
        var pages = new List<String>();

        for (int i = 0; i < pdfReader.NumberOfPages; i++)
        {
            string textFromPage = Encoding.UTF8.GetString(Encoding.Convert(Encoding.Default, Encoding.UTF8, pdfReader.GetPageContent(i + 1)));

            pages.Add(GetDataConvertedData(textFromPage));
        }

        return pages;
    }

    string GetDataConvertedData(string textFromPage)
    {
        var texts = textFromPage.Split(new[] { "\n" }, StringSplitOptions.None)
                                .Where(text => text.Contains("Tj")).ToList();

        return texts.Aggregate(string.Empty, (current, t) => current + 
                   t.TrimStart('(')
                    .TrimEnd('j')
                    .TrimEnd('T')
                    .TrimEnd(')'));
    }

- gustavo.a.hansen

Answer 2

这段代码仅用于阅读PDF文件，你需要使用

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;

从dll文件itextsharp.dll中。

var pdfReader = new PdfReader(_filePath);

for (int i = 0; i < pdfReader.NumberOfPages; i++)
{
   var locationTextExtractionStrategy = new LocationTextExtractionStrategy();

   string textFromPage = PdfTextExtractor.GetTextFromPage(pdfReader, i + 1, locationTextExtractionStrategy);

   textFromPage = Encoding.UTF8.GetString(Encoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(textFromPage)));

   //Do Something with the text
}

- gustavo.a.hansen

Answer 3

这是一种更手动的方式，但它可能会很有用。

    /// <summary>
    /// Lê uma tabela de um pdf
    /// </summary>
    /// <param name="pdf">Caminho do PDF</param>
    /// <param name="origemXPag1">Inicio da leitura no eixo X para a primeira página</param>
    /// <param name="origemYPag1">Inicio da leitura no eixo Y para a primeira página</param>
    /// <param name="linhasPag1">Quantidade de linhas da primeira página</param>
    /// <param name="origemXOutrasPag">Inicio da leitura no eixo X para as demais páginas</param>
    /// <param name="origemYOutrasPag">Inicio da leitura no eixo Y para as demais páginas</param>
    /// <param name="linhasOutrasPag">Quantidade de linhas das demais páginas</param>
    /// <param name="alturaLinha">Altrura da linha</param>
    /// <param name="colunas">Nome e largura das colunas</param>
    /// <returns></returns>
    private static List<Dictionary<string, string>> LerTabelaPDF(string pdf, float origemXPag1, float origemYPag1, int linhasPag1, float origemXOutrasPag, float origemYOutrasPag, int linhasOutrasPag, float alturaLinha, Dictionary<string, float> colunas)
    {
        // Primeira página
        float origemX = origemXPag1;
        float origemY = origemYPag1;
        int quantidadeLinhas = linhasPag1;

        var resultado = new List<Dictionary<string, string>>();
        using (PdfReader leitor = new PdfReader(pdf))
        {
            var texto = string.Empty;
            for (int i = 1; i <= leitor.NumberOfPages; i++)
            {
                if (i > 1)
                {
                    origemX = origemXOutrasPag;
                    origemY = origemYOutrasPag;
                    quantidadeLinhas = linhasOutrasPag;
                }
                for (int l = 0; l < quantidadeLinhas; l++)
                {
                    var dados = new Dictionary<string, string>();
                    int c = 0;
                    float deslocamentoX = 0;
                    foreach (var coluna in colunas)
                    {
                        RectangleJ rect = new RectangleJ(origemX + deslocamentoX, origemY + (l * alturaLinha), coluna.Value, alturaLinha);
                        RenderFilter filter = new RegionTextRenderFilter(rect);
                        ITextExtractionStrategy strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), filter);
                        texto = PdfTextExtractor.GetTextFromPage(leitor, i, strategy);

                        dados.Add(coluna.Key, texto);
                        c++;
                        deslocamentoX += coluna.Value;
                    }
                    if (dados != null)
                        resultado.Add(dados);
                }
            }
        }
        return resultado;
    }

使用：

        var colunas = new Dictionary<string, float>();
        colunas.Add("cod", 20);
        colunas.Add("desc", 300);

        var registros = LerTabelaPDF(pdf, 19, 75, 9, 19, 40, 13, 40, colunas);
        var cod = registros[0]["cod"];

- Gustavo Rossi Muller

---

你重复完整地解析同一页，每次提取不同的部分。这比仅解析一次并将其解析为常规的“LocationTextExtractionStrategy”，然后通过调用带有相应匹配的“TextChunkFilter”的“LocationTextExtractionStrategy.getResultantText(TextChunkFilter)”来检索这些不同页面区域的内容要慢得多。在iText 7的类似上下文中，这种转换使提取速度提高了87.6倍。 - mkl