使用 iTextSharp (C#) 从 PDF 中提取嵌入式 XML
Extract Embedded XML from PDF with iTextSharp (C#)
我需要使用 SimpleTextExtractionStrategy 提取嵌入在 Bankruptcy court files with C#. In PDF Reader the file looks like a typical court doc. In Notepad the XML is buried in the text. I've tried extracting the text with this and another code snippet 中的 XML 数据。第一个结果生成的文件没有来自 PDF 的可识别文本，第二个结果输出符号。我还尝试将其作为 AcroField 和 Xfaform 进行访问。它似乎不是基于 Watch window 的任何一个。
单步执行 Visual Studio 中的代码，XML 显示在 PDFReader >> 目录 >> 键 >> 原始 >> 非 Public 成员 >> 字典下观看 window。我不知道如何去做。由于它在 Watch 中与其他 PDFName 一起列出，我认为我可以通过 PDFReader.Catalog.GetAsDict 访问它，但它不会显示为 PDFName。这些文件的提供者有一个 java 应用程序，似乎只是读取文本。不确定我是否需要使用不同的提取策略，或者直接访问包含 XML 的目录项。我从来没有以编程方式处理 PDF 文件或 iTextSharp，所以我很挣扎。任何代码建议？
如果您可以共享带有嵌入式 XML 的 PDF，将会有所帮助。当我第一次阅读你的问题时，我假设 XML 会被添加为文档级附件（存储在 EmbeddedFiles 中）或附件注释（存储在添加到页面字典的 Annot 中）。
阅读 uscourts.gov 上写的内容，看起来 XML 实际上是一个 XMP 流。这意味着您可以在目录的元数据条目中找到它（或者可能在页面字典中）。
如果您无法共享文件，您将不得不自己动手。您可以通过下载 iText RUPS 来完成此操作。它是一个免费工具，可以查看内部 PDF。
浏览树结构并查找 Metadata、查找 EmbeddedFiles、查找 Annots。如果你不告诉我们 XML 是如何嵌入的，没人能帮助你。
例如，请参阅我对以下问题的回答：How to delete attachment of PDF using itext
（看我用RUPS怎么看Catalog > Names > EmbeddedFiles）
额外说明：到目前为止您尝试的代码是关于从页面中提取文本，不是关于提取XML 嵌入在 PDF 中的文件。
更新：
现在您已经共享了一个文件，我已经使用 RUPS 找到了 XML 文件。看看下面的屏幕截图：
你看到这里发生了什么吗？有人直接向目录添加了一个名为 /USCTbankruptcynotice 的自定义条目，其值为 String。这是错误的：将 file 存储在 string 中是一个糟糕的主意。为什么开发人员不将该文件存储为流？我为雇用这样的开发人员的人感到难过。
话虽如此，这就是您提取 XML:
的方法
PdfDictionary catalog = reader.Catalog;
PdfName name = new PdfName("USCTbankruptcynotice");
PdfString USCTbankruptcynotice = catalog.GetAsString(key);
string xml = USCTbankruptcynotice.ToString();
这是凭记忆写的。如果您需要进行小的更正，请更新我的答案。
我需要使用 SimpleTextExtractionStrategy 提取嵌入在 Bankruptcy court files with C#. In PDF Reader the file looks like a typical court doc. In Notepad the XML is buried in the text. I've tried extracting the text with this and another code snippet 中的 XML 数据。第一个结果生成的文件没有来自 PDF 的可识别文本，第二个结果输出符号。我还尝试将其作为 AcroField 和 Xfaform 进行访问。它似乎不是基于 Watch window 的任何一个。
单步执行 Visual Studio 中的代码，XML 显示在 PDFReader >> 目录 >> 键 >> 原始 >> 非 Public 成员 >> 字典下观看 window。我不知道如何去做。由于它在 Watch 中与其他 PDFName 一起列出，我认为我可以通过 PDFReader.Catalog.GetAsDict 访问它，但它不会显示为 PDFName。这些文件的提供者有一个 java 应用程序，似乎只是读取文本。不确定我是否需要使用不同的提取策略，或者直接访问包含 XML 的目录项。我从来没有以编程方式处理 PDF 文件或 iTextSharp，所以我很挣扎。任何代码建议？
如果您可以共享带有嵌入式 XML 的 PDF，将会有所帮助。当我第一次阅读你的问题时，我假设 XML 会被添加为文档级附件（存储在 EmbeddedFiles 中）或附件注释（存储在添加到页面字典的 Annot 中）。
阅读 uscourts.gov 上写的内容，看起来 XML 实际上是一个 XMP 流。这意味着您可以在目录的元数据条目中找到它（或者可能在页面字典中）。
如果您无法共享文件，您将不得不自己动手。您可以通过下载 iText RUPS 来完成此操作。它是一个免费工具，可以查看内部 PDF。
浏览树结构并查找 Metadata、查找 EmbeddedFiles、查找 Annots。如果你不告诉我们 XML 是如何嵌入的，没人能帮助你。
例如，请参阅我对以下问题的回答：How to delete attachment of PDF using itext （看我用RUPS怎么看Catalog > Names > EmbeddedFiles）
额外说明：到目前为止您尝试的代码是关于从页面中提取文本，不是关于提取XML 嵌入在 PDF 中的文件。
更新：
现在您已经共享了一个文件，我已经使用 RUPS 找到了 XML 文件。看看下面的屏幕截图：
你看到这里发生了什么吗？有人直接向目录添加了一个名为 /USCTbankruptcynotice 的自定义条目，其值为 String。这是错误的：将 file 存储在 string 中是一个糟糕的主意。为什么开发人员不将该文件存储为流？我为雇用这样的开发人员的人感到难过。
话虽如此，这就是您提取 XML:
的方法PdfDictionary catalog = reader.Catalog;
PdfName name = new PdfName("USCTbankruptcynotice");
PdfString USCTbankruptcynotice = catalog.GetAsString(key);
string xml = USCTbankruptcynotice.ToString();
这是凭记忆写的。如果您需要进行小的更正，请更新我的答案。