使用 iTextSharp 阅读 PDF 文档会创建带有重复第一页的字符串

Question

我目前使用 iTextSharp 读取一些 PDF 文件并使用我收到的字符串解析它们。我遇到了一些 PDF 文件的奇怪行为。当获取例如 4 页 PDF 的字符串时，字符串将按以下顺序填充页面：

1 2 1 3 1 4

我读取文件的代码如下：

using (PdfReader reader = new PdfReader(fileStream))
{
     StringBuilder sb = new StringBuilder();

     ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
     for (int page = 0; page < reader.NumberOfPages; page++)
     {
         string text = PdfTextExtractor.GetTextFromPage(reader, page + 1, strategy);
         if (!string.IsNullOrWhiteSpace(text))
             sb.Append(Encoding.UTF8.GetString(Encoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(text))));
     }

     Debug.WriteLine(sb.ToString());
}

这是一个 link 发生此行为的文件：

https://onedrive.live.com/redir?resid=D9FEFF3BF45E05FD!1536&authkey=!AFLRlskAvlg89yY&ithint=file%2cpdf

希望大家帮帮我！

Answer 1

多亏了 Chris Haas，我才发现出了问题。在网上找到的关于如何使用 iTextSharp.Pdf 的示例对于我的实现来说是不正确的或不正确的。

需要为您尝试阅读的每一页实例化 SimpleTextExtractionStrategy。不这样做将乘以结果字符串中的每个前一页。

附加 StringBuilder 的行也可以更改为：

sb.Append(Encoding.UTF8.GetString(Encoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(text))));

到

sb.Append(text);

因此下面的代码给出了正确的结果：

using (PdfReader reader = new PdfReader(fileStream))
{
    StringBuilder sb = new StringBuilder();

    for (int page = 0; page < reader.NumberOfPages; page++)
    {
        string text = PdfTextExtractor.GetTextFromPage(reader, page + 1, new SimpleTextExtractionStrategy());
        if (!string.IsNullOrWhiteSpace(text))
            sb.Append(text);
    }
    Debug.WriteLine(sb.ToString());                    
}

使用 iTextSharp 阅读 PDF 文档会创建带有重复第一页的字符串

Reading PDF document with iTextSharp creates string with repeating first page

itextsharp