C# Pdf 到带有图像占位符的文本

Question

我有一批要转换为文本的 PDF。从 iTextSharp 中获取类似这样的文本很容易:

PdfTextExtractor.GetTextFromPage(reader, pageNumber);

使用this answer 很容易获取图像(或线程中的类似答案)。

我无法轻易弄清楚...是如何在文本中插入图像占位符。

给定一个 PDF、一个页面 # 和 GetTextFromPage 我希望输出为:

line 1
line 2
line 3

当我希望它成为(其中 1.1 表示第 1 页、图像 1...第 1 页、图像 2):

line 1
[1.1]
line 2
[1.2]
line 3

有没有办法为 iTextSharp、PdfSharp 或类似的东西获取“图像占位符”？我想要一个 GetTextAndPlaceHoldersFromPage 方法(或类似方法)。

PS:嗯...它不允许我标记 iTextSHARP - 不是 iText。 C# 而非 Java。

Answer 1

C# Pdf to Text with image placeholder
https://stackoverflow.com/a/28087521/
https://stackoverflow.com/a/33697745/

虽然这没有我的问题中提到的确切布局(因为无论如何这是我真正想要的简化版本)，但它确实具有第二个注释中列出的起始部分(从 iText Java 翻译而来)。 .. 从第三条注释中提取额外信息(Java 中使用的一些反射似乎在 C# 中不起作用，因此信息来自 #3)。

从这里开始，我能够得到一个字符串列表，表示 PDF 中的行(所有页面，而不仅仅是第 1 页)...在图像应该出现的地方添加文本(Huzzah!)。添加了 ByteArrayToFile 扩展方法以增加 flavor (尽管我没有包括可能破坏此代码的复制/粘贴用法的其他部分/扩展)。

我还能够极大地简化我流程的其他部分，并将我之前工作的一半垃圾处理掉。万岁!谢谢@Mkl

internal class Program
{
    public static void Main(string[] args)
    {
        var dir = Settings.TestDirectory;
        var file = Settings.TestFile;

        Log.Info($"File to Process: {file.FullName}");

        using (var reader = new PdfReader(file.FullName))
        {
            var parser = new PdfReaderContentParser(reader);
            var listener = new SimpleMixedExtractionStrategy(file, dir);
            parser.ProcessContent(1, listener);
            var x = listener.GetResultantText().Split('\n');
        }
    }
}

public class SimpleMixedExtractionStrategy : LocationTextExtractionStrategy
{
    public static readonly ILog Log = LogManager.GetLogger(MethodBase.GetCurrentMethod().DeclaringType);
    public DirectoryInfo OutputPath { get; }
    public FileInfo OutputFile { get; }

    private static readonly LineSegment UNIT_LINE = new LineSegment(new Vector(0, 0, 1), new Vector(1, 0, 1));
    private int _counter;

    public SimpleMixedExtractionStrategy(FileInfo outputFile, DirectoryInfo outputPath)
    {
        OutputPath = outputPath;
        OutputFile = outputFile;
    }

    public override void RenderImage(ImageRenderInfo renderInfo)
    {
        try
        {
            var image = renderInfo.GetImage();
            if (image == null) return;
            var number = _counter++;

            var imageFile = new FileInfo($"{OutputFile.FullName}-{number}.{image.GetFileType()}");
            imageFile.ByteArrayToFile(image.GetImageAsBytes());

            var segment = UNIT_LINE.TransformBy(renderInfo.GetImageCTM());
            var location = new TextChunk("[" + imageFile + "]", segment.GetStartPoint(), segment.GetEndPoint(), 0f);
            var locationalResultField = typeof(LocationTextExtractionStrategy).GetField("locationalResult", BindingFlags.NonPublic | BindingFlags.Instance);
            var LocationalResults = (List<TextChunk>)locationalResultField.GetValue(this);
            LocationalResults.Add(location);
        }
        catch (Exception ex)
        {
            Log.Debug($"{ex.Message}");
            Log.Verbose($"{ex.StackTrace}");
        }
    }
}

public static class ByteArrayExtensions
{
    public static bool ByteArrayToFile(this FileInfo fileName, byte[] byteArray)
    {
        try
        {
            // Open file for reading
            var fileStream = new FileStream(fileName.FullName, FileMode.Create, FileAccess.Write);

            // Writes a block of bytes to this stream using data from a byte array.
            fileStream.Write(byteArray, 0, byteArray.Length);

            // close file stream
            fileStream.Close();

            return true;
        }
        catch (Exception exception)
        {
            // Error
            Log.Error($"Exception caught in process: {exception.Message}", exception);
        }

        // error occured, return false
        return false;
    }
}