我有PDF文件的时间表。
(1) (2) (3)
09:00 10:30 11:30
Monday 12C 11B 10A
Tuesday 10K 10K 9A
Wednesday 7A
Thursday 7B 7B
Friday 6A 11B
我正在使用iTextSharp阅读所有文字。
private static string ReadFile(string path)
{
using (var reader = new PdfReader(path))
{
var text = new StringBuilder();
for (var i = 1; i <= reader.NumberOfPages; i++)
text.Append(PdfTextExtractor.GetTextFromPage(reader, i));
return text.ToString();
}
}
这个文本响应行是这样的:
(1) (2) (3)
09:00 10:30 11:30
12C 11B 10A
Monday
10K 10K 9A
Tuesday
7A
Wednesday
B 7B
Thursday
6A 11B
Friday
所以我无法理解哪个班级在哪个时间?例如星期三有一个7A级,但哪个时间(09:00或10:30或11:30)?如果它写了一个白色空间字符(&nbsp),我可以理解。
(1) (2) (3)
09:00 10:30 11:30
12C 11B 10A
Monday
10K 10K 9A
Tuesday
  7A  
Wednesday
B 7B  
Thursday
6A   11B
Friday
这可能使用iTextSharp吗?
在一般情况下这是不可能的。
如果未标记PDF文档,则文档本身不包含结构信息。或者简单地说,文档不知道哪些部分是表,或表行,甚至是段落。
从未标记的PDF文档中提取结构信息很难。如果不是说在一般情况下不可能。
使用pdf2Data,您可以实现此目的。需要注意的是,您必须预先定义模板。因此,您需要告诉软件它可以在哪里找到一张桌子。
你可以看看SimpleTextExtractionStrategy
的iText
。它实质上处理所有渲染信息,并决定何时将文本连接到现有缓冲区。
在代码中的某个时刻,它决定如果缓冲区已经以空格结尾,则不应再附加空格。
我建议您创建自己的SimpleTextExtractionStrategy
实现,它会覆盖此行为并始终插入空格。