您無法像使用iTextSharp一樣閱讀和解析PDF的內(nèi)容。

來自iTextSharp的SourceForge教程：

您無法使用iText“解析”現(xiàn)有PDF文件，您只能在每頁“讀取”該頁面。

這是什么意思？

pdf格式只是一個畫布，其中放置文本和圖形時沒有任何結構信息。因此，PDF文件中沒有任何“iText-objects”。在每個頁面中可能會有許多“字符串”，但您無法使用這些字符串重建短語或段落?？赡芾L制了許多線條，但您無法根據(jù)這些線條檢索表格對象。簡而言之：使用iText解析PDF文件的內(nèi)容是不可能的。在新聞組新聞：//comp.text.pdf上發(fā)布您的問題，也許您會從那些已經(jīng)構建了可以解析PDF并提取其內(nèi)容的工具的人那里得到一些答案，但是不要指望能夠執(zhí)行子彈的工具 - 結構化文本的轉(zhuǎn)換。

LGPL / FOSS iTextSharp 4.x

var pdfReader = new PdfReader(path); //other filestream etc

byte[] pageContent = _pdfReader .GetPageContent(pageNum); //not zero based

byte[] utf8 = Encoding.Convert(Encoding.Default, Encoding.UTF8, pageContent);

string textFromPage = Encoding.UTF8.GetString(utf8);

其他答案都沒有對我有用，它們似乎都針對iTextSharp的AGPL v5。我再也找不到任何參考SimpleTextExtractionStrategy或LocationTextExtractionStrategy在FOSS版本。

與此相關的其他可能非常有用的東西：

const string PdfTableFormat = @"\(.*\)Tj";

Regex PdfTableRegex = new Regex(PdfTableFormat, RegexOptions.Compiled);

List<string> ExtractPdfContent(string rawPdfContent)

{

    var matches = PdfTableRegex.Matches(rawPdfContent);

    var list = matches.Cast<Match>()

        .Select(m => m.Value

            .Substring(1) //remove leading (

            .Remove(m.Value.Length - 4) //remove trailing )Tj

            .Replace(@"\)", ")") //unencode parens

            .Replace(@"\(", "(")

            .Trim()

        )

        .ToList();

    return list;

}

這將從PDF中提取僅文本數(shù)據(jù)，如果顯示的文本Foo(bar)將在PDF中編碼，則(Foo\(bar\))Tj此方法將按Foo(bar)預期返回。此方法將從原始pdf內(nèi)容中刪除許多其他信息，例如位置坐標。