如何使用itextsharp从表结构PDF中读取数据？

我在从 pdf 文件读取某些数据时遇到问题。
我的文件是结构化的，它包含表格和纯文本。标准解析器从同一行的不同列读取数据。例如：

Some Table Header  
Data Col1a     Data Col2a      Data Col3a
Data Col1b     Data Col2b      Data Col3b
               Data Col2c

  

用这个代码

        PdfReader reader = new PdfReader(pdfName);

        List<String> text = new List<String>();
        String page;
        List<String> pageStrings;
        string[] separators = { "\n", "\r\n" };

        for (int i = 1; i <= reader.NumberOfPages; i++)
        {
            page = PdfTextExtractor.GetTextFromPage(reader, i);
            pageStrings = new List<string>(page.Split(separators, StringSplitOptions.RemoveEmptyEntries));
            text.AddRange(pageStrings);

        }

        reader.Close();

        return text;

将被连接成字符串：

Some Table Header
Data Col1a Data Col2a Data Col3a  
Data Col1b Data Col2b Data Col3b  
Data Col2c  
  

我想要获得反映块中数据的串联字符串。我想为上面的示例获取这样的字符串：

Some Table Header
Data Col1a Data Col1b   
Data Col2a Data Col2b Data Col2c  
Data Col3a Data Col3b
  

有谁知道如何调整 itextsharp 以获得 pdf 解析器的这种行为？ 也许有人有合适的代码示例？
示例 PDF 文件是here https://www.dropbox.com/s/jwsuu6mz9ez84ss/sampleFile.pdf?dl=0

OP 的示例文件包含多个部分，如下所示：

OP 在评论中提到：

另一种工具完全按照我想要的方式解析我的 PDF。 [...]

PS：这个工具是pdfbox

在此方法中使用PDFBox（v1.8.10，当前发布版本）：

String extract(PDDocument document) throws IOException
{
    PDFTextStripper stripper = new PDFTextStripper();
    return stripper.getText(document);
}

返回上面显示的部分

Driver Book for 8/5/2015
Company IS MEDICAL; AND Date of Service IS BETWEEN 08/05/2015 AND 08/05/2015; AND Status IS Assigned; AND Vehicles IS  MEDICAL: 
CATY
 MEDICAL
Trip #: 314-A
Comments: ----LIVERY---
Destination:Pick-up:
Call Type: Livery
<Doctor Office>
REGO PARK,  (631) 
000-0000
(718) 896-5953
74- AVE 204E  HEIGHTS, NY 
11372 (718) 639-4154
11:00:00 PAT, MIKHAIL
Trip #: 314-B
Comments:  ----LIVERY---
Destination:Pick-up:
Call Type: Livery
74- AVE 204E  HEIGHTS, NY 
11372 (718) 639-4154
<Doctor Office>
63-6 REGO PARK, NY 
11374 (631) 000-0000
11:01:00 PAT, MIKHAIL

这并不是真正的整齐的按列提取，但某些信息块（如地址块）仍然保留在一起。

使用 iText(Sharp) 获得相同的输出实际上非常容易：只需显式使用SimpleTextExtractionStrategy而不是LocationTextExtractionStrategy这是默认使用的，即必须替换这一行

page = PdfTextExtractor.GetTextFromPage(reader, i);

by

page = PdfTextExtractor.GetTextFromPage(reader, i, new SimpleTextExtractionStrategy());

除了每个数据集有一个空格字符外（iText(Sharp) 提取Destination: Pick-up:代替Destination:Pick-up:）结果是相同的。

关于 PDFBox 提取文本的结论：

所以我认为 PDF 确实是表结构的。

实际上，这种提取顺序仅仅意味着在PDF页面内容流中绘制字符串段的操作按照这个顺序发生。由于根据 PDF 规范，这些操作的顺序是任意的，因此生成这些 PDF 的软件的任何更新都可能导致 PDFBox 无法使用这些文件PDFTextStripper 和 iTextSimpleTextExtractionStrategy仅仅提取出一堆难以理解的字符。

PS：如果设置了PDFBoxPDFTextStripper财产SortByPosition to true像这样

    PDFTextStripper stripper = new PDFTextStripper();
    stripper.setSortByPosition(true);
    return stripper.getText(document);

然后 PDFBox 像 iText(Sharp) 一样使用（默认）提取文本LocationTextExtractionStrategy does

OP 表示对内容流中固有的块结构感兴趣。最明显的结构（如通用 PDF 中的结构）是文本对象（其中可以绘制多个字符串）。

在手头的情况下SimpleTextExtractionStrategy用来。它可以轻松扩展，以在其输出中包含与文本对象的开头和结尾相对应的标记。在 Java 中，这可以通过使用匿名类来完成，如下所示：

return PdfTextExtractor.getTextFromPage(reader, pageNo, new SimpleTextExtractionStrategy()
{
    boolean empty = true;

    @Override
    public void beginTextBlock()
    {
        if (!empty)
            appendTextChunk("<BLOCK>");
        super.beginTextBlock();
    }

    @Override
    public void endTextBlock()
    {
        if (!empty)
            appendTextChunk("</BLOCK>\n");
        super.endTextBlock();
    }

    @Override
    public String getResultantText()
    {
        if (empty)
            return super.getResultantText();
        else
            return "<BLOCK>" + super.getResultantText();
    }

    @Override
    public void renderText(TextRenderInfo renderInfo)
    {
        empty = false;
        super.renderText(renderInfo);
    }
});

(文本提取.java https://github.com/mkl-public/testarea-itext5/blob/master/src/test/java/mkl/testarea/itext5/extract/TextExtraction.java method extractSimple)

（这个 Java 代码应该很容易翻译成 C#。empty布尔值可能看起来很有趣；不过，这是必要的，因为一旦将某些块附加到提取的内容，基类就假定要设置某些附加属性。）

使用这一扩展策略，我们可以得到上面所示的部分：

<BLOCK>Driver Book for 8/5/2015
Company IS MEDICAL; AND Date of Service IS BETWEEN 08/05/2015 AND 08/05/2015; AND Status IS Assigned; AND Vehicles IS  MEDICAL: 
CATY</BLOCK>
<BLOCK>
 MEDICAL</BLOCK>
<BLOCK>
Trip #: 314-A</BLOCK>
<BLOCK>
Comments: ----LIVERY---</BLOCK>
<BLOCK>
Destination: Pick-up:</BLOCK>
<BLOCK>
Call Type: Livery
<Doctor Office>
REGO PARK,  (631) 
000-0000
(718) 896-5953</BLOCK>
<BLOCK>
74- AVE 204E  HEIGHTS, NY 
11372 (718) 639-4154</BLOCK>
<BLOCK>
11:00:00</BLOCK>
<BLOCK> PAT, MIKHAIL</BLOCK>
<BLOCK>
Trip #: 314-B</BLOCK>
<BLOCK>
Comments:  ----LIVERY---</BLOCK>
<BLOCK>
Destination: Pick-up:</BLOCK>
<BLOCK>
Call Type: Livery
74- AVE 204E  HEIGHTS, NY 
11372 (718) 639-4154</BLOCK>
<BLOCK>
<Doctor Office>
63-6 REGO PARK, NY 
11374 (631) 000-0000</BLOCK>
<BLOCK>
11:01:00</BLOCK>
<BLOCK> PAT, MIKHAIL</BLOCK>

由于这将地址保留在同一块中，因此这可能在提取过程中有所帮助。