使用iTextSharp修复错误PDF转换为文本吗？

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; }
}