如何解决使用iTextSharp修复错误PDF转换为文本吗?
我正尝试通过以下方式使用iTextSharp(NuGet)从PDF文件恢复文本:
this.Cursor = Cursors.WaitCursor;
string LOC_DOC = @"C:\PDF_files";
string[] PDFs = Directory.GetFiles(LOC_DOC,"*.pdf",SearchOption.AllDirectories);
foreach (string PDF in PDFs)
{
PdfReader reader = new PdfReader(@PDF);
for (int page = 1; page <= reader.NumberOfPages; page++)
{
string pageText = PdfTextExtractor.GetTextFromPage(reader,page);
}
}
this.Cursor = Cursors.Default;
目标只是检索PDF的内容,稍后我将进行处理。 对于某些PDF可以正常使用,但对于其他PDF则有以下错误:
System.InvalidCastException ::'类型为'iTextSharp.text.pdf.PdfLiteral'的不可能的效果'类型为'iTextSharp.text.pdf.PdfNumber'的类型。'
System.InvalidCastException':'无法将类型为'iTextSharp.text.pdf.PdfLiteral的对象转换为类型为'iTextSharp.text.pdf.PdfNumber'。”
有人有主意吗?
解决方法
分析
您共享的PDF 2-30-SL-manual-DE.pdf在第6页的内容流中出现错误,导致出现这种情况的异常:
0.1 -16 TD -3.796 Tw
[ (.)2.943 Tw ( . . . . . . . . . . . . . . .)] TJ
-0.138 -16 TD -3.796 Tw
[ (.)2.943 Tw ( . . . . . . . . . . . . . . .)] TJ
0.112 -16 TD -3.45 Tw
[ (.)3.05 Tw ( . . . . . . . . . .)] TJ
TJ 指令的各个数组参数中的 Tw 无效,该数组只能包含字符串(圆括号或尖括号)和数字,请参见规格:
数组 TJ 显示一个或多个文本字符串,允许单个字形定位。 array 的每个元素应为字符串或数字。如果元素是字符串,则该运算符应显示该字符串。如果是数字,则操作员应按该数量调整文本位置。
(ISO 32000-1,表109 –文本显示运算符)
如果其他文档导致相同的异常(包括类似的堆栈跟踪),则它们很可能在某些 TJ 指令中也包含此类无效的非字符串,非数字文字。
因此,请文档来源提供这些文档的固定副本。
解决方法
在您提及的评论中
但是这些都是旧文档,我无法请求更正的版本
如果在示例文件中发现的内容流错误类型是文件中唯一的内容错误,并且忽略额外的文字始终是处理错误的适当方法,则可以包装IContentOperator
处理在iText文本提取中的 TJ 指令在另一个运算符中,可从参数中过滤掉不需要的文字:
PdfReader reader = new PdfReader(@"d:\Issues\stackoverflow\Fix the error with iTextSharp (PDF to text)\2-30-SL-manual-DE.pdf");
for (int page = 1; page <= reader.NumberOfPages; page++)
{
Console.Out.WriteLine("Page {0}",page);
PdfDictionary pageDic = reader.GetPageN(page);
PdfDictionary resourcesDic = pageDic.GetAsDict(PdfName.RESOURCES);
ITextExtractionStrategy strategy = new LocationTextExtractionStrategy();
PdfContentStreamProcessor processor = new PdfContentStreamProcessor(strategy);
TjArgumentClearingWrapper wrapper = new TjArgumentClearingWrapper();
wrapper.WrappedOperator = processor.RegisterContentOperator("TJ",wrapper);
processor.ProcessContent(ContentByteUtils.GetContentBytesForPage(reader,page),resourcesDic);
string pageText = strategy.GetResultantText();
Console.Out.WriteLine("******\n{0}\n\n",pageText);
}
使用帮助程序类
class TjArgumentClearingWrapper : IContentOperator
{
public void Invoke(PdfContentStreamProcessor processor,PdfLiteral oper,List<PdfObject> operands)
{
PdfObject operand = operands[0];
if (operand is PdfArray array)
{
PdfArray newArray = new PdfArray();
foreach (PdfObject pdfObject in array)
{
if (pdfObject is PdfString || pdfObject is PdfNumber)
newArray.Add(pdfObject);
}
operands[0] = newArray;
}
WrappedOperator.Invoke(processor,oper,operands);
}
public IContentOperator WrappedOperator { get; set; }
}
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。