c＃itext7通过pdf文档中的文本循环

Question

当前，我们将一堆PDF转换为XLSX，然后使用VBA刮擦它们以获取所需的数据。我总是很生气，因为我尝试以不同的方式转换所有文档的所有PDF转换器，这很烦人。因此，我有一个好主意，可以自己在C＃中转换。

使用itext7，我可以使用下面的代码抓住所有文本并将其存储在字符串中，但是它并不是非常有用，因为我需要能够循环浏览并抓住所需的内容。

public static string pdfTextExtract(string path)
    {

        var pageText = new StringBuilder();
        using (PdfDocument pdfDocument = new PdfDocument(new PdfReader(path)))
        {
            var pageNumbers = pdfDocument.GetNumberOfPages();
            
            //var lineNumbers = pdfDocument.GetNumberOfPdfObjects();
            for (int i = 1; i <= pageNumbers; i++)
            {
                LocationTextExtractionStrategy strategy = new LocationTextExtractionStrategy();
                PdfCanvasProcessor parser = new PdfCanvasProcessor(strategy);
                var page = pdfDocument.GetPage(i);
                pageText.Append( PdfTextExtractor.GetTextFromPage(page, strategy));
                parser.Reset();
            }
        }

        return pageText.ToString();

    }

希望有人可以帮助我弄清楚如何逐行循环穿越PDF，而不是抓住整个页面，或者我如何能很好地循环浏览字符串以获取名称和数字。

Answer 1

PDF文件中的文本不一定以逻辑方式排序。
因此，提取的文本以意想不到的方式来自文本提取器。

locationTextextextracttrategy 类具有方法getResultantText，可以按拓扑顺序输出文本。

如果要逐行处理文本，可以使用此结果，或者构建自己的TextExtrateTrategy，从线或通过流来输出它们。

通过订购项目拓扑，甚至可以检测到表列并使用选项卡而不是空间将零件分开。