如何使用 iTextSharp 從 PDF 中提取帶格式的文字？

使用iTextSharp擷取帶格式文字

簡介：

iTextSharp是一個強大的函式庫，用於操作和產生PDF文檔，但有時難以提取具有所需格式的文字。本文提供了一種使用iTextSharp從PDF中提取文字和格式資訊的方法。

自訂擷取策略：

要提取帶格式的文本，您可以建立一個自訂的ITextExtractionStrategy實作。此策略定義如何處理文字渲染資訊。

程式碼片段：

以下程式碼定義了一個自訂策略，該策略追蹤基線、字體名稱和字體大小的變化，並產生具有適當樣式的HTML：

<code>public class TextWithFontExtractionStategy : iTextSharp.text.pdf.parser.ITextExtractionStrategy
{
    // ... (此处省略)

    public void RenderText(iTextSharp.text.pdf.parser.TextRenderInfo renderInfo)
    {
        // 确定字体属性
        string curFont = renderInfo.GetFont().PostscriptFontName;
        if (renderInfo.GetTextRenderMode() == (int)TextRenderMode.FillThenStrokeText)
        {
            curFont += "-Bold";
        }

        // 检查基线、字体或字体大小的变化
        Vector curBaseline = renderInfo.GetBaseline().GetStartPoint();
        Single curFontSize = renderInfo.GetAscentLine().GetEndPoint()[Vector.I2] - curBaseline[Vector.I2];
        if ((this.lastBaseLine == null) || (curBaseline[Vector.I2] != lastBaseLine[Vector.I2]) ||
            (curFontSize != lastFontSize) || (curFont != lastFont))
        {
            // 生成带有更新样式的HTML span
            result.AppendFormat("</code>

使用方法：

要使用自訂策略，您可以在擷取文字時指定它：

<code>PdfReader reader = new PdfReader("MyDocument.pdf");
TextWithFontExtractionStategy strategy = new TextWithFontExtractionStategy();
string textWithFormatting = PdfTextExtractor.GetTextFromPage(reader, 1, strategy);</code>

輸出：

textWithFormatting變數將包含提取的文本，其中包含反映格式資訊的HTML標籤，包括字體和字體大小。

結論：

此自訂擷取策略可讓您擷取具有所需格式的PDF文字。這是一個強大的工具，可用於準確地再現PDF文件中的文字和樣式。

以上是如何使用 iTextSharp 從 PDF 中提取帶格式的文字？的詳細內容。更多資訊請關注PHP中文網其他相關文章！