PDFからC＃

Question

特定の構造と形式のPDFのコンテンツの文脈や意味関係を分析して理解できるプログラムを開発する必要があります。以下は

なPDFの内容の一部を示しており、サンプルです：

だから私は、このようなフォントとして、PDF内のテキストが、また、metedataないだけを抽出することができますPDFの読み込みライブラリが必要サイズ、フォントスタイル（太字、イタリック）、背景色、表とその子要素、表のセルの背景色、チェックボックス、要素の位置などがあります。

無料の.NETライブラリがありますか？本当にありがとう。

PS：私はこの投稿を承知しています：Extract Data from .PDF filesしかし、図書館の能力は精緻化されていません。

Answer 1

を私は素早く答えを持っていないが、私は最後の2週間費やしてきました成功したこの正確な問題を解決します。私はApache PDFBoxを使ってPDFテキストをTextPositionsに抽出しました。これらのTextPositionsには、テキスト内の各文字に関する情報（位置、太字、斜体、フォントなど）が含まれています。この情報を使用して、すべての表要素の境界ボックスを設定し、テキスト整列、列メンバーシップなどのデシファーの項目を設定してから、PDFページを再作成し、1000行未満のコードでExcelの表を再作成しました。

チェックボックスのようなグラフィック要素を抽出する必要はありませんでしたが、Apache PDFBoxはCOSStreamsに抽出します。グラフィックスやフォーム要素はこれらのストリームから解析される可能性があります。私のコードはあなたが示したテーブルを再構築することができ、チェックボックスと背景色が不足しているだけです。

私は単純な解決策を探していましたが、これは簡単な方法ではありません。

編集：これがあなたを納得させることができなかった場合は、開始方法を教えてください。まず、PDFTextStripperまたはPDFTextStripperByAreaのいずれかを拡張します。これにより、processTextPositionオーバーライドを介してTextPositionにアクセスできます。次のコードは、TextPositionsを自分のカスタムクラスTextCharにどのように変換したかを示しています。私は、基本的なコンテキスト情報を動作するように相対textpositionsを使用します。

public class PDFStripper : PDFTextStripper 
    { 
     private List<TextChar>[] tcPages; 

     public PDFStripper(java.util.List pages) 
     { 
      int pagecount = pages.size(); 
      tcPages = new List<TextChar>[pagecount+1]; 
      base.processPages(pages); 
     } 

     protected override void processTextPosition(TextPosition tp) 
     { 
      PDGraphicsState gs = getGraphicsState(); 
      TextChar tc = BuildTextChar(tp, gs); 
      int currentPageNo = getCurrentPageNo(); 
      if (tcPages.ElementAtOrDefault(currentPageNo) == null) 
      { 
       tcPages[currentPageNo] = new List<TextChar>(); 
      } 
      tcPages[currentPageNo].Add(tc); 
     } 

     private static TextChar BuildTextChar(TextPosition tp, PDGraphicsState gstate) 
     { 
      TextChar tc = new TextChar(); 
      tc.Char = tp.getCharacter()[0]; 

      float h = (float)Math.Floor(tp.getHeightDir()); 
      tc.Box = new RectangleF 
      (
       tp.getXDirAdj(), 
       (float)Math.Round(tp.getYDirAdj(), 0, MidpointRounding.ToEven) - h, // adjusted Y to top 
       tp.getWidthDirAdj(), 
       h 
      ); 

      tc.Direction = tp.getDir(); 
      tc.SpaceWidth = tp.getWidthOfSpace(); 

      tc.Font = tp.getFont().getBaseFont(); 
      tc.FontSize = tp.getFontSizeInPt(); 

      try 
      { 
       int[] flags =  
        GetBits(tp.getFont().getFontDescriptor().getFlags()); 
       tc.IsBold = findBold(tp, flags, gstate); 
       tc.IsItalic = findItalics(tp, flags); 
      } 
      catch { } 

      return tc; 
     } 

     protected override void writePage() { return; } //prevents exception 
    } 

Answer 2

NuGetパッケージhttps://www.nuget.org/packages/TikaOnDotNet/を追加します。 これはApacheティカ

のDOTNETのバージョンは、この行います：

var extracted = new TikaOnDotNet.TextExtractor().Extract("file.pdf"); 
var text = extracted.Text; 
var metaData = extracted.Metadata; 

幸運の仲間:)