VB.NET या C # में itextsharp dll के साथ पीडीएफ सामग्री पढ़ना

Question 1

मैं पीडीएफ सामग्री को Pdfreader वर्ग के साथ itextsharp के साथ कैसे पढ़ सकता हूं। मेरे PDF में सादा पाठ या पाठ की छवियाँ शामिल हो सकती हैं।

Question 2

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
using System.IO;

public string ReadPdfFile(string fileName)
{
    StringBuilder text = new StringBuilder();

    if (File.Exists(fileName))
    {
        PdfReader pdfReader = new PdfReader(fileName);

        for (int page = 1; page <= pdfReader.NumberOfPages; page++)
        {
            ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
            string currentText = PdfTextExtractor.GetTextFromPage(pdfReader, page, strategy);

            currentText = Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(currentText)));
            text.Append(currentText);
        }
        pdfReader.Close();
    }
    return text.ToString();
}

Question 3

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);

अन्य कोई भी उत्तर मेरे लिए उपयोगी नहीं था, वे सभी iTextSharp के AGPL v5 को लक्षित करते प्रतीत होते हैं। मुझे कभी भी SimpleTextExtractionStrategyया LocationTextExtractionStrategyFOSS संस्करण में कोई संदर्भ नहीं मिला ।

इसके साथ संयोजन में कुछ और उपयोगी हो सकता है:

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;
}

यह पीडीएफ से केवल-पाठ डेटा को निकालेगा यदि प्रदर्शित पाठ है तो Foo(bar)इसे पीडीएफ में एन्कोड किया जाएगा (Foo\(bar\))Tj, यह विधि Foo(bar)अपेक्षित रूप से वापस आ जाएगी । यह विधि बहुत सारी अतिरिक्त सूचनाओं को छीन लेगी जैसे कि कच्चे पीडीएफ़ सामग्री से स्थान निर्देशांक।

Question 4

यहाँ श्रवणकुमारकुमार के समाधान पर आधारित एक VB.NET समाधान है।

यह आपको केवल पाठ देगा। चित्र एक अलग कहानी है।

Public Shared Function GetTextFromPDF(PdfFileName As String) As String
    Dim oReader As New iTextSharp.text.pdf.PdfReader(PdfFileName)

    Dim sOut = ""

    For i = 1 To oReader.NumberOfPages
        Dim its As New iTextSharp.text.pdf.parser.SimpleTextExtractionStrategy

        sOut &= iTextSharp.text.pdf.parser.PdfTextExtractor.GetTextFromPage(oReader, i, its)
    Next

    Return sOut
End Function

Question 5

मेरे मामले में, मुझे बस पीडीएफ दस्तावेज़ के एक विशिष्ट क्षेत्र से पाठ चाहिए था, इसलिए मैंने क्षेत्र के चारों ओर एक आयत का उपयोग किया और इसके साथ पाठ को निकाला। नीचे दिए गए नमूने में निर्देशांक पूरे पृष्ठ के लिए हैं। मेरे पास पीडीएफ संलेखन उपकरण नहीं है, इसलिए जब आयत को उस विशिष्ट स्थान पर संकीर्ण करने का समय आया तो मैंने निर्देशांक में कुछ अनुमान लगाए, जब तक कि क्षेत्र नहीं मिला।

Rectangle _pdfRect = new Rectangle(0f, 0f, 612f, 792f); // Entire page - PDF coordinate system 0,0 is bottom left corner.  72 points / inch
RenderFilter _renderfilter = new RegionTextRenderFilter(_pdfRect);
ITextExtractionStrategy _strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), _filter);
string _text = PdfTextExtractor.GetTextFromPage(_pdfReader, 1, _strategy);

उपरोक्त टिप्पणियों के अनुसार, परिणामी पाठ पीडीएफ दस्तावेज़ में पाए गए किसी भी स्वरूपण को बनाए नहीं रखता है, हालांकि, मुझे खुशी है कि इसने गाड़ी के रिटर्न को संरक्षित किया। मेरे मामले में, पाठ में पर्याप्त स्थिरांक थे जो मुझे उन मूल्यों को निकालने में सक्षम थे जो मुझे आवश्यक थे।

Question 6

यहाँ श्रवणकुमारकुमार का बेहतर उत्तर है। मैंने पृष्ठों के लिए विशेष कक्षाएं बनाईं ताकि आप पाठ पंक्तियों और उस पंक्ति के शब्द के आधार पर पीडीएफ में शब्दों तक पहुंच सकें।

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

//create a list of pdf pages
var pages = new List<PdfPage>();

//load the pdf into the reader. NOTE: path can also be replaced with a byte array
using (PdfReader reader = new PdfReader(path))
{
    //loop all the pages and extract the text
    for (int i = 1; i <= reader.NumberOfPages; i++)
    {
        pages.Add(new PdfPage()
        {
           content = PdfTextExtractor.GetTextFromPage(reader, i)
        });
    }
}

//use linq to create the rows and words by splitting on newline and space
pages.ForEach(x => x.rows = x.content.Split('\n').Select(y => 
    new PdfRow() { 
       content = y,
       words = y.Split(' ').ToList()
    }
).ToList());

कस्टम कक्षाएं

class PdfPage
{
    public string content { get; set; }
    public List<PdfRow> rows { get; set; }
}


class PdfRow
{
    public string content { get; set; }
    public List<string> words { get; set; }
}

अब आप पंक्ति और शब्द सूचकांक द्वारा एक शब्द प्राप्त कर सकते हैं।

string myWord = pages[0].rows[12].words[4];

या एक विशिष्ट शब्द वाली पंक्तियों को खोजने के लिए Linq का उपयोग करें।

//find the rows in a specific page containing a word
var myRows = pages[0].rows.Where(x => x.words.Any(y => y == "myWord1")).ToList();

//find the rows in all pages containing a word
var myRows = pages.SelectMany(r => r.rows).Where(x => x.words.Any(y => y == "myWord2")).ToList();

Question 7

Public Sub PDFTxtToPdf(ByVal sTxtfile As String, ByVal sPDFSourcefile As String)
        Dim sr As StreamReader = New StreamReader(sTxtfile)
    Dim doc As New Document()
    PdfWriter.GetInstance(doc, New FileStream(sPDFSourcefile, FileMode.Create))
    doc.Open()
    doc.Add(New Paragraph(sr.ReadToEnd()))
    doc.Close()
End Sub