.net - 如何使用 iTextSharp 从 PDF 中提取突出显示的文本？

Question

根据以下帖子:
iTextSharp PDF Reading highlighed text (highlight annotations) using C#

这段代码:

for (int i = pageFrom; i <= pageTo; i++) {
    PdfDictionary page = reader.GetPageN(i);
    PdfArray annots = page.GetAsArray(iTextSharp.text.pdf.PdfName.ANNOTS);
    if (annots!=null)
        foreach (PdfObject annot in annots.ArrayList) {
            PdfDictionary annotation = (PdfDictionary)PdfReader.GetPdfObject(annot);
            PdfString contents = annotation.GetAsString(PdfName.CONTENTS);
            // now use the String value of contents
        }
    }
}

正在努力提取 PDF 注释。但是为什么以下相同的代码对高亮不起作用(特别是 PdfName.HIGHLIGHT 不起作用):

for (int i = pageFrom; i <= pageTo; i++) {
    PdfDictionary page = reader.GetPageN(i);
    PdfArray annots = page.GetAsArray(iTextSharp.text.pdf.PdfName.HIGHLIGHT);
    if (annots!=null)
        foreach (PdfObject annot in annots.ArrayList) {
            PdfDictionary annotation = (PdfDictionary)PdfReader.GetPdfObject(annot);
            PdfString contents = annotation.GetAsString(PdfName.CONTENTS);
            // now use the String value of contents
        }
    }
}

Answer 1

请查看 ISO-32000-1(又名 PDF 引用)中的表 30。它的标题是“页面对象中的条目”。在这些条目中，您可以找到一个名为 Annots 的键。 .它的值(value)是:

(Optional) An array of annotation dictionaries that shall contain indirect references to all annotations associated with the page (see 12.5, "Annotations").

您将找不到带有诸如 Highlight 之类的键的条目。 ，因此当您有以下行时，返回的数组为空是正常的:

PdfArray annots = page.GetAsArray(iTextSharp.text.pdf.PdfName.HIGHLIGHT);

您需要按照您已经完成的方式获取注释:

PdfArray annots = page.GetAsArray(iTextSharp.text.pdf.PdfName.ANNOTS);

现在你需要遍历这个数组并寻找带有 Subtype 的注释。等于 Highlight .这种类型的注释列在 ISO-32000-1 的表 169 中，标题为“注释类型”。

换句话说，您假设页面字典包含键为 Highlight 的条目。错了，如果您阅读整个规范，您还会发现您所做的另一个错误假设。您错误地假设突出显示的文本存储在 Contents 中。注释的输入。这表明对注释与页面内容的性质缺乏了解。

您要查找的文本存储在页面的内容流中。页面的内容流独立于页面的注释。因此，要获取突出显示的文本，您需要获取存储在 Highlight 中的坐标。注释(存储在 QuadPoints 数组中)，您需要使用这些坐标来解析页面内容中这些坐标处的文本。