iTextSharp.LGPLv2.Core 将 PDF 中的文本转换为字符串

Question

最近我们的项目升级到了新的iTextSharp.LGPLv2.Core v1.6.5。我有一个从PDF文件中提取文本的方法。

当时我用过这个：

if (File.Exists(pdf1Path))
{
var pdfReader = new PdfReader(pdf1Path);
string pdfText;
string currentText;
//Text extracting to List
for (int i = 1; i <= pdfReader.NumberOfPages; i++)
{
currentText = PdfTextExtractor.GetTextFromPage(pdfReader, i);
currentText =
Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8,
Encoding.Default.GetBytes(currentText)));
text.Append(currentText);
}
pdfText = text.ToString();
}

现在我突然无法识别"PdfTextExtractor"。关于如何使其工作还有其他选择吗？请注意，我不允许安装任何其他库或软件包。

我尝试使用

using iTextSharp.text.pdf.parser;

但它不再被认可了。当我尝试下载它时，它只是与iTextSharp.LGPLv2.Core重叠，这给了我一个错误。

感谢您的帮助

Answer 1

IIRC(如果我正确阅读了git历史记录(，命名空间iTextSharp.text.pdf.parser是在iTextSharp 5.0.2中引入的，也就是说，它从来都不是LGPL许可的iTextSharp版本的一部分。

(iText/Java 版本的情况略有不同，这里的第一个概念验证已经出现在最新的 LGPL 版本中。

因此

最近我们的项目升级到新的iTextSharp.LGPLv2.Core v1.6.5

如果您真的升级了，那么您以前的版本似乎附带了一个向后移植(从版本 5.x(或交叉移植(从版本 5 之前的 iText/Java(解析器命名空间。不过，更有可能的是，您实际上从iTextSharp 5.x降级到基于iTextSharp 4.2或更早版本的分叉，并且在降级时通常会丢失功能。

我假设您使用iTextSharp.LGPLv2.Core来使用LGPL，而不是在iTextSharp 5中在AGPL和商业许可证之间进行选择，或者您这样做是为了Core支持。

如果真的是关于许可证，您只能尝试在最新的 LGPL 版本 (2.1.7( 或标签 (4.2.0( 中移植 iText/Java 解析器包，或者您可以完全独立地重新实现文本提取。

如果是关于核心支持，并且您已准备好购买许可证或受 AGPL 约束，您还可以尝试向后移植最新的 iText 5.x 解析器命名空间。这应该比从 Java 交叉移植更容易，并且此文本提取代码比版本 5 之前的 iText/Java 代码要先进得多。

Answer 2

经过一段时间的挖掘，我发现这个问题有一个解决方法。由于我不允许使用PdfTextExtractor，因此我使用了与上述方法几乎相同的代码

var reader = new PdfReader();
var pdfFile = createSamplePdfFile();
var reader = new PdfReader(pdfFile);
var streamBytes = reader.GetPageContent(1);
var tokenizer = new PrTokeniser(new RandomAccessFileOrArray(streamBytes));
var stringsList = new List<string>();
while (tokenizer.NextToken())
{
if (tokenizer.TokenType == PrTokeniser.TK_STRING)
{
stringsList.Add(tokenizer.StringValue);
}
}
reader.Close();

希望这将帮助比我有类似问题的人:)

谢谢大家:)