Разница между версиями iTextSharp 4.1.6 и 5.x

Я технический директор iText Software, так что, как Михаэль, который уже ответили в разделе комментариев, я являюсь одновременно и самым авторитетным, и предвзятым источником.

На сайте iText есть очень простая сравнительная таблица .

Возможно, вы также нашли эту страницу.

Если вас интересуют исправления ошибок и улучшения производительности в отношении синтаксического анализа текста, вот более полный список:

• 5.0.0: Извлечение текста: капитальный ремонт для выполнения вычислений в пользовательском пространстве. Это позволяет синтаксическому анализатору правильно определять разрывы строк, даже если текст или страница повернуты.
• 5.0.1: Рефакторинг обратного вызова, поэтому сигнатура метода не должна изменяться по мере развития API обратного вызова рендеринга.
• 5.0.1: Рефакторинг для упрощения взаимодействия внешних пользователей с обработчиком потока контента. Также переработан прослушиватель рендеринга, поэтому прослушивание событий текста и изображения происходит в одном и том же интерфейсе (уменьшает сложность, не добавляющую ценности).
• 5.0.1: Новые функции фильтрации для текстовых визуализаторов.
• 5.0.1: Дополнительный служебный метод для предварительного просмотра содержимого PDF.
• 5.0.1: Добавлен гораздо более продвинутый прослушиватель текстового рендеринга, который может реконструировать содержимое страницы на основе физического расположения текста на странице.
• 5.0.1: Добавлена ​​поддержка обработки форм XObject (текст, добавленный через PdfTemplate, теперь можно анализировать)
• 5.0.1: Добавлена ​​элементарная поддержка обратных вызовов XObject Image.
• 5.0.1: Исправлена ​​ошибка — извлечение текста было некорректным для определенных ориентаций страницы.
• 5.0.1: Исправлена ​​ошибка - матрицы объединялись в неправильном порядке.
• 5.0.1: PdfTextExtractor: изменен прослушиватель рендеринга по умолчанию (новая стратегия с учетом местоположения).
• 5.0.1: Геттеры для GraphicsState
• 5.0.2: Серьезный рефакторинг интерфейса для функций извлечения текста: например, введение класса PdfReaderContentParser.
• 5.0.2: CMapAwareDocumentFont: улучшения для более надежной обработки квази-недействительных PDF-файлов.
• 5.0.2: PdfContentReaderTool: обработка нулевого указателя, а также несколько удачных вызовов сброса.
• 5.0.2: PdfContentReaderTool: отображение сведений о записях ресурсов.
• 5.0.2: PdfContentStreamProcessor: корректировка, чтобы встроенные изображения не вызывали проблем с синтаксическим анализом, и улучшения обнаружения EI.
• 5.0.2: LocationTextExtractionStrategy: исправлен антипараллельный алгоритм плюс учет отрицательных межсимвольных смещений. Измените стратегию извлечения текста, которая сначала строит текстовую модель, а затем вычисляет требования конкатенации.
• 5.0.2: Корректировки реализации линейных сегментов; оптимизация внесенных Бруно изменений в извлечение текста; например: введение класса MarkedContentInfo.
• 5.0.2: Серьезный рефакторинг интерфейса для функций извлечения текста: например, введение класса PdfReaderContentParser.
• 5.0.3: добавлен метод получения площади изображения в пользовательских единицах
• 5.0.3: улучшен анализ встроенных изображений.
• 5.0.3: Добавлена ​​дополнительная проверка последовательностей начала/конца при разборе потока ToUnicode.
• 5.0.4: потоки контента в массивах должны анализироваться так, как если бы они были разделены пробелами.
• 5.0.4: Разоблачение CTM
• 5.0.4: Рефакторинг для включения встроенной обработки изображений в отдельный класс. Добавлен синтаксический анализ данных изображения, если фильтр не применен (есть некоторые PDF-файлы, в которых нет пробела между концом данных изображения и оператором EI). В конечном счете, лучше всего будет фактически разобрать данные изображения, но это потребует довольно большого рефакторинга декодеров iText (для работы с потоками вместо byte[] известной длины).
• 5.0.4: Работа с многоступенчатыми фильтрами; Исправлена ​​ошибка, из-за которой в качестве первого байта встроенного потока изображения выводились пробелы.
• 5.0.4: Применение потоковых фильтров к встроенным изображениям.
• 5.0.4: PdfReader: предоставьте декодер фильтра для произвольных массивов байтов (вместо только потоков)
• 5.0.6: CMapParser: исправлено чтение неработающих cmap ToUnicode.
• 5.0.6: обрабатывать слегка искаженные встроенные изображения
• 5.0.6: CMapAwareDocumentFont: в некоторых PDF-файлах карта различий превышает 256 символов.
• 5.0.6: производительность: кэшировать шрифты, используемые при извлечении текста
• 5.1.2: PRTokeniser: Алгоритм поиска startxref стал более эффективным с точки зрения использования памяти.
• 5.1.2: RandomAccessFileOrArray: улучшена обработка огромных файлов, которые невозможно сопоставить.
• 5.1.2: CMapAwareDocumentFont: исправление NPE, если сопоставление не инициализируется (я бы предпочел закончить с ненужными символами, чем создавать неожиданное исключение в будущем)
• 5.1.3: рефакторинг того, как фильтры применяются к потокам, настроить синтаксический анализатор, чтобы он мог обрабатывать многоступенчатые фильтры
• 5.1.3: изображения: разрешить правильное декодирование изображений с битовой маской 1 бит на канал
• 5.1.3: изображения: добавьте потоки jbig2 для прохождения
• 5.1.3: изображения: обрабатывать нулевые и косвенные ссылки в параметрах декодирования, выдавать исключение, если невозможно декодировать изображение.
• 5.2.0: Улучшены сообщения об ошибках и улучшена обработка файлов нулевого размера и попыток чтения за концом файла.
• 5.2.0: Удалено ограничение, согласно которому для использования сопоставления памяти требуется, чтобы файл был меньше ~ 2 ГБ.
• 5.2.0: Избегайте исключения NullPointerException в RandomAccessFileOrArray
• 5.2.0: Служебный метод в pdfContentStreamProcessor сделал закрытым и разъяснил природу класса с отслеживанием состояния.
• 5.2.0: LocationTextExtractionStrategy: проверка границ длины строк и рефакторинг для облегчения чтения кода.
• 5.2.0: Улучшена обработка словарей цветового пространства в изображениях.
• 5.2.0: улучшена обработка квази-неправильного встроенного изображения.
• 5.2.0: не декодировать встроенные потоки изображений, пока они нам абсолютно не понадобятся.
• 5.2.0: исключение исключения NullPointerException словаря ресурсов не предусмотрено.
• 5.3.0: LocationTextExtractionStrategy: старый подход к сравнению вызывал исключения во время выполнения в Java 7.
• 5.3.3: включить параметр увеличения текста
• 5.3.3: отображать информацию глиф за глифом
• 5.3.3: Исправление: преобразование текста в пространство пользователя применялось несколько раз для объектов sub-textrenderinfo.
• 5.3.3: Исправление: исправлен базовый расчет, чтобы он не включал окончательный интервал между символами.
• 5.3.4: Добавлен хук низкоуровневой фильтрации в LocationTextExtractionStrategy.
• 5.3.5: Исправлена ​​ошибка в PRTokeniser: обработка случая, когда число находится в конце потока.
• 5.3.5: Заменен StringBuffer на StringBuilder в PRTokeniser по соображениям производительности.
• 5.4.2: Добавлен метод isChunkAtWordBoundary() в LocationTextExtractionStrategy для проверки необходимости вставки символа пробела между предыдущим фрагментом и текущим фрагментом.
• 5.4.2: Добавлен метод getCharSpaceWidth() в LocationTextExtractionStrategy для получения ширины символа пробела.
• 5.4.2: Добавлен метод getText() в LocationTextExtractionStrategy для получения текста текущего фрагмента.
• 5.4.2: Добавлен метод appendTextChunk(() в SimpleTextExtractionStrategy для предоставления процесса добавления, чтобы подклассы могли добавлять текст вне операции анализа текста.
• 5.4.5: Добавлен класс MultiFilteredRenderListener для парсера PDF.
• 5.4.5: Добавлены классы GlyphRenderListener и GlyphTextRenderListener для обработки каждого глифа, а не фрагментов текста.
• 5.4.5: Добавлен метод getMcid() в TextRenderInfo.
• 5.4.5: исправлена ​​утечка ресурсов, когда в потоке контента было много встроенных изображений.
• 5.5.0: CMapAwareDocumentFont: если ширина шрифтового пространства не определена, используйте для шрифта ширину по умолчанию.
• 5.5.0: PdfContentReader: исключение исключения при отображении пустого словаря.

Есть некоторые вещи, которые вы не сможете сделать, если не обновитесь. Например, вы не сможете делать то, что описано в эти слайды.

Если вы посмотрите на дорожную карту для iText, вы видите, что в будущем мы будем уделять еще больше времени извлечению текста.

Честно говоря: использование 5-летней версии было бы не только изобретением велосипеда, но и попаданием во все ловушки, в которые мы попали за последние 5 лет. Уверяю вас, что покупка лицензии обойдется дешевле.