Можно ли получить структурные элементы из PDF-файла с помощью iTextSharp?

Question

Мы используем iTextSharp с приложением C# WinForms для анализа PDF-файла. Используя iTextSharp, я могу легко извлечь текстовые данные из файла PDF. Предположим, файл PDF содержит изображение, окруженное двумя строками текста. В этом случае я не смог извлечь информацию об изображении.

Мое требование:

1. Получить структурные элементы файла PDF
2. Обрабатывает ли каждый тип текста, изображения, таблицы или другой

Например, структурные элементы похожи на следующее:

text :paragraph1
text :paragraph2
Image:Image
text :paragraph3
Table:table info
text :Paragraph4

Если я смогу получить информацию в таком формате, как этот, я легко пойму информацию о тексте, изображении, таблице, верхнем или нижнем колонтитуле.

Итак, возможно ли получить такую ​​информацию с помощью iTextSharp? Если да, пожалуйста, просветите меня об этом. В противном случае, не могли бы вы предложить другие инструменты, способные удовлетворить это требование?

Спасибо всем,

Saravanan

Answer 1

Я имел такую ​​потребность некоторое время назад. Я использовал эту функцию (из Извлечения изображений с помощью iTextSharp):

private static PdfObject FindImageInPDFDictionary(PdfDictionary pg)
{
    PdfDictionary res =
        (PdfDictionary)PdfReader.GetPdfObject(pg.Get(PdfName.RESOURCES));


    PdfDictionary xobj =
      (PdfDictionary)PdfReader.GetPdfObject(res.Get(PdfName.XOBJECT));
    if (xobj != null)
    {
        foreach (PdfName name in xobj.Keys)
        {

            PdfObject obj = xobj.Get(name);
            if (obj.IsIndirect())
            {
                PdfDictionary tg = (PdfDictionary)PdfReader.GetPdfObject(obj);

                PdfName type =
                  (PdfName)PdfReader.GetPdfObject(tg.Get(PdfName.SUBTYPE));

                //image at the root of the pdf
                if (PdfName.IMAGE.Equals(type))
                {
                    return obj;
                }// image inside a form
                else if (PdfName.FORM.Equals(type))
                {
                    return FindImageInPDFDictionary(tg);
                } //image inside a group
                else if (PdfName.GROUP.Equals(type))
                {
                    return FindImageInPDFDictionary(tg);
                }

            }
        }
    }

    return null;
}

Как вы можете видеть в foreach (PdfName name in xobj.Keys) Заявление, я думаю, вы можете легко проанализировать целый PDF и обработать все виды данных из него. Но я не уверен насчет "вертикальности" вашей потребности.

Надеюсь, это поможет вам.