Jak mogę uzyskać formatowanie tekstu za pomocą iTextSharp

Question

Używam iTextSharp do czytania treści tekstowych z pliku PDF. Jestem w stanie to również przeczytać. Ale tracę formatowanie tekstu, takie jak czcionka, kolor itp. Czy istnieje sposób na uzyskanie tego formatowania.

Poniżej znajduje się segment kodu używam do dokładnego tekstu -

PdfReader reader = new PdfReader("F:\\EBooks\\AspectsOfAjax.pdf"); 
textBox1.Text = ExtractTextFromPDFBytes(reader.GetPageContent(1)); 

private string ExtractTextFromPDFBytes(byte[] input) 
{ 
    if (input == null || input.Length == 0) return ""; 
    try 
    { 
     string resultString = ""; 
     // Flag showing if we are we currently inside a text object 
     bool inTextObject = false; 
     // Flag showing if the next character is literal e.g. '\\' to get a '\' character or '\(' to get '(' 
     bool nextLiteral = false; 
     //() Bracket nesting level. Text appears inside() 
     int bracketDepth = 0; 
     // Keep previous chars to get extract numbers etc.: 
     char[] previousCharacters = new char[_numberOfCharsToKeep]; 
     for (int j = 0; j < _numberOfCharsToKeep; j++) previousCharacters[j] = ' '; 
     for (int i = 0; i < input.Length; i++) 
     { 
      char c = (char)input[i]; 
      if (inTextObject) 
      { 
       // Position the text 
       if (bracketDepth == 0) 
       { 
        if (CheckToken(new string[] { "TD", "Td" }, previousCharacters)) 
        { 
         resultString += "\n\r"; 
        } 
        else 
        { 
         if (CheckToken(new string[] {"'", "T*", "\""}, previousCharacters)) 
         { 
          resultString += "\n"; 
         } 
         else 
         { 
          if (CheckToken(new string[] { "Tj" }, previousCharacters)) 
          { 
           resultString += " "; 
          } 
         } 
        } 
       } 
       // End of a text object, also go to a new line. 
       if (bracketDepth == 0 && CheckToken(new string[]{"ET"}, previousCharacters)) 
       { 
        inTextObject = false; 
        resultString += " "; 
       } 
       else 
       { 
        // Start outputting text 
        if ((c == '(') && (bracketDepth == 0) && (!nextLiteral)) 
        { 
         bracketDepth = 1; 
        } 
        else 
        { 
         // Stop outputting text 
         if ((c == ')') && (bracketDepth == 1) && (!nextLiteral)) 
         { 
          bracketDepth = 0; 
         } 
         else 
         { 
          // Just a normal text character: 
          if (bracketDepth == 1) 
          { 
           // Only print out next character no matter what. 
           // Do not interpret. 
           if (c == '\\' && !nextLiteral) 
           { 
            nextLiteral = true; 
           } 
           else 
           { 
            if (((c >= ' ') && (c <= '~')) || ((c >= 128) && (c < 255))) 
            { 
             resultString += c.ToString(); 
            } 
            nextLiteral = false; 
           } 
          } 
         } 
        } 
       } 
      } 
      // Store the recent characters for when we have to go back for a checking 
      for (int j = 0; j < _numberOfCharsToKeep - 1; j++) 
      { 
       previousCharacters[j] = previousCharacters[j + 1]; 
      } 
      previousCharacters[_numberOfCharsToKeep - 1] = c; 

      // Start of a text object 
      if (!inTextObject && CheckToken(new string[]{"BT"}, previousCharacters)) 
      { 
       inTextObject = true; 
      } 
     } 
     return resultString; 
    } 
    catch 
    { 
     return ""; 
    } 
} 

private bool CheckToken(string[] tokens, char[] recent) 
{ 
    foreach(string token in tokens) 
    { 
     if ((recent[_numberOfCharsToKeep - 3] == token[0]) && 
      (recent[_numberOfCharsToKeep - 2] == token[1]) && 
      ((recent[_numberOfCharsToKeep - 1] == ' ') || 
      (recent[_numberOfCharsToKeep - 1] == 0x0d) || 
      (recent[_numberOfCharsToKeep - 1] == 0x0a)) && 
      ((recent[_numberOfCharsToKeep - 4] == ' ') || 
      (recent[_numberOfCharsToKeep - 4] == 0x0d) || 
      (recent[_numberOfCharsToKeep - 4] == 0x0a)) 
      ) 
     { 
      return true; 
     } 
    } 
    return false; 
} 

Answer 1

Pozwól mi spróbować wskazując ci w innym kierunku. iTextSharp ma naprawdę piękny i prosty system ekstrakcji tekstu, który obsługuje niektóre podstawowe tokeny. Niestety nie obsługuje informacji o kolorze, ale according to @Mark Storer it might not be too hard to implement yourself.

BEGIN EDYCJA

zacząłem prace nad wdrożeniem informacji o kolorze. Aby uzyskać więcej informacji, patrz my blog post here. (Przepraszam za złe formatowanie, wyruszeniem na kolację teraz).

END EDIT

Poniższy kod łączy w sobie kilka pytań i odpowiedzi o tym this one to get the font height (choć jej nie dokładnie), jak również innym (czyli na moje życie, którego nie mogę już znaleźć), która pokazuje, jak wykrywać fałszywą śmiałość.

Po wprowadzeniu niektórych czcionek przed nazwą czcionki wydaje mi się, że jest to związane z osadzaniem podzbiorów czcionek.

Poniżej znajduje się kompletna aplikacja WinForm, która jest przeznaczona dla iTextSharp 5.1.1.0 i wyodrębnia tekst jako HTML.

Zrzut próbki PDF

Przykładowy tekst ekstrakcji jako HTML

<span style="font-family:NJNSWD+Papyrus-Regular;font-size:11.61407">Hello </span> 
<span style="font-family:NJNSWD+Papyrus-Regular-Bold;font-size:11.61407">w</span> 
<span style="font-family:NJNSWD+Papyrus-Regular-Bold;font-size:37.87201">o</span> 
<span style="font-family:NJNSWD+Papyrus-Regular-Bold;font-size:11.61407">rl</span> 
<span style="font-family:NJNSWD+Papyrus-Regular;font-size:11.61407">d </span> 
<br /> 
<span style="font-family:NJNSWD+Papyrus-Regular;font-size:11.61407">Test </span> 

Kod

using System; 
using System.Collections.Generic; 
using System.Text; 
using System.Windows.Forms; 
using iTextSharp.text.pdf.parser; 
using iTextSharp.text.pdf; 

namespace WindowsFormsApplication2 
{ 
    public partial class Form1 : Form 
    { 
     public Form1() 
     { 
      InitializeComponent(); 
     } 

     private void Form1_Load(object sender, EventArgs e) 
     { 
      PdfReader reader = new PdfReader(System.IO.Path.Combine(Environment.GetFolderPath(Environment.SpecialFolder.Desktop), "Document.pdf")); 
      TextWithFontExtractionStategy S = new TextWithFontExtractionStategy(); 
      string F = iTextSharp.text.pdf.parser.PdfTextExtractor.GetTextFromPage(reader, 1, S); 
      Console.WriteLine(F); 

      this.Close(); 
     } 

     public class TextWithFontExtractionStategy : iTextSharp.text.pdf.parser.ITextExtractionStrategy 
     { 
      //HTML buffer 
      private StringBuilder result = new StringBuilder(); 

      //Store last used properties 
      private Vector lastBaseLine; 
      private string lastFont; 
      private float lastFontSize; 

      //http://api.itextpdf.com/itext/com/itextpdf/text/pdf/parser/TextRenderInfo.html 
      private enum TextRenderMode 
      { 
       FillText = 0, 
       StrokeText = 1, 
       FillThenStrokeText = 2, 
       Invisible = 3, 
       FillTextAndAddToPathForClipping = 4, 
       StrokeTextAndAddToPathForClipping = 5, 
       FillThenStrokeTextAndAddToPathForClipping = 6, 
       AddTextToPaddForClipping = 7 
      } 



      public void RenderText(iTextSharp.text.pdf.parser.TextRenderInfo renderInfo) 
      { 
       string curFont = renderInfo.GetFont().PostscriptFontName; 
       //Check if faux bold is used 
       if ((renderInfo.GetTextRenderMode() == (int)TextRenderMode.FillThenStrokeText)) 
       { 
        curFont += "-Bold"; 
       } 

       //This code assumes that if the baseline changes then we're on a newline 
       Vector curBaseline = renderInfo.GetBaseline().GetStartPoint(); 
       Vector topRight = renderInfo.GetAscentLine().GetEndPoint(); 
       iTextSharp.text.Rectangle rect = new iTextSharp.text.Rectangle(curBaseline[Vector.I1], curBaseline[Vector.I2], topRight[Vector.I1], topRight[Vector.I2]); 
       Single curFontSize = rect.Height; 

       //See if something has changed, either the baseline, the font or the font size 
       if ((this.lastBaseLine == null) || (curBaseline[Vector.I2] != lastBaseLine[Vector.I2]) || (curFontSize != lastFontSize) || (curFont != lastFont)) 
       { 
        //if we've put down at least one span tag close it 
        if ((this.lastBaseLine != null)) 
        { 
         this.result.AppendLine("</span>"); 
        } 
        //If the baseline has changed then insert a line break 
        if ((this.lastBaseLine != null) && curBaseline[Vector.I2] != lastBaseLine[Vector.I2]) 
        { 
         this.result.AppendLine("<br />"); 
        } 
        //Create an HTML tag with appropriate styles 
        this.result.AppendFormat("<span style=\"font-family:{0};font-size:{1}\">", curFont, curFontSize); 
       } 

       //Append the current text 
       this.result.Append(renderInfo.GetText()); 

       //Set currently used properties 
       this.lastBaseLine = curBaseline; 
       this.lastFontSize = curFontSize; 
       this.lastFont = curFont; 
      } 

      public string GetResultantText() 
      { 
       //If we wrote anything then we'll always have a missing closing tag so close it here 
       if (result.Length > 0) 
       { 
        result.Append("</span>"); 
       } 
       return result.ToString(); 
      } 

      //Not needed 
      public void BeginTextBlock() { } 
      public void EndTextBlock() { } 
      public void RenderImage(ImageRenderInfo renderInfo) { } 
     } 
    } 
}