Извлечение текста по строкам из PDF с помощью iTextSharp c #

Я знаю, что это публикация в более старом сообщении, но я потратил много времени, пытаясь понять это, поэтому я собираюсь поделиться этим для будущих людей, пытающихся найти это в Google:

using System;
using System.Text;
using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;

namespace PDFApp2
{
class Program
{
    static void Main(string[] args)
    {

        string filePath = @"Your said path\the file name.pdf";
        string outPath = @"the output said path\the text file name.txt";
        int pagesToScan = 2;

        string strText = string.Empty;
        try
        {
            PdfReader reader = new PdfReader(filePath);

            for (int page = 1; page <= pagesToScan; page ++) //(int page = 1; page <= reader.NumberOfPages; page++) <- for scanning all the pages in A PDF
            {
                ITextExtractionStrategy its = new iTextSharp.text.pdf.parser.LocationTextExtractionStrategy();
                strText = PdfTextExtractor.GetTextFromPage(reader, page, its);

                strText = Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(strText)));
                //creating the string array and storing the PDF line by line
                string[] lines = strText.Split('\n');
                foreach (string line in lines)
                {
                    //Creating and appending to a text file
                    using (System.IO.StreamWriter file = new System.IO.StreamWriter(outPath, true))
                    {
                        file.WriteLine(line);
                    }
                }
            }

            reader.Close();
        }
        catch (Exception ex)
        {
            Console.Write(ex);
        }
    }
}
}

Я читал программу в формате PDF по заданному пути и просто выводил в текстовый файл, но вы можете манипулировать этим для чего угодно. Это было основано на ответе Снзива Гупты.

Все остальные примеры кода здесь не работали для меня, вероятно, из-за изменений в API itext7.

Этот минимальный пример здесь работает нормально:

var pdfReader = new iText.Kernel.Pdf.PdfReader(fileName);
var pdfDocument = new iText.Kernel.Pdf.PdfDocument(pdfReader);
var contents = iText.Kernel.Pdf.Canvas.Parser.PdfTextExtractor.GetTextFromPage(pdfDocument.GetFirstPage());

LocationTextExtractionStrategy автоматически вставит '\ n' в выходной текст. Однако иногда он вставляет '\ n' там, где этого не следует. В этом случае вам нужно создать собственный TextExtractionStrategy или RenderListener. По сути, код, который обнаруживает новую строку, - это метод

public virtual bool SameLine(ITextChunkLocation other) {
            return OrientationMagnitude == other.OrientationMagnitude &&
                   DistPerpendicular == other.DistPerpendicular;
        }

В некоторых случаях '\ n' не следует вставлять, если есть лишь небольшая разница между DistPerpendicular и other.DistPerpendicular, поэтому вам нужно изменить его на что-то вроде Math.Abs ​​(DistPerpendicular - other.DistPerpendicular) ‹10

Или вы можете поместить этот фрагмент кода в метод RenderText вашего пользовательского класса TextExtractionStrategy / RenderListener

Используйте LocationTextExtractionStrategy вместо SimpleTextExtractionStrategy. LocationTextExtractionStrategy извлеченный текст содержит символ новой строки в конце строки.

ITextExtractionStrategy Strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), renderFilter);
string pdftext = PdfTextExtractor.GetTextFromPage(reader,pageno, Strategy);
string[] words = pdftext.Split('\n');
return words;

Пытаться

 String page = PdfTextExtractor.getTextFromPage(reader, 2);
 String s1[]=page.split("\n");