如何使用 iTextSharp 从 PDF 中检索文本格式（字体、大小、样式）？

使用iTextSharp提取文本格式的方法

虽然iTextSharp提供有效的文本提取方法，但在保留字体、颜色和大小等格式细节方面可能存在不足。为了克服这个限制，我们探索了一种替代方法。

自定义文本提取策略

自定义的TextWithFontExtractionStategy类扩展了ITextExtractionStrategy接口来捕获格式信息。在RenderText方法中：

• 它监控字体名称、伪粗体使用、基线变化和字体大小变化。
• 如果这些属性中的任何一个发生变化，它将关闭当前的HTML span标签，并创建一个具有相应样式的新标签。

示例输出

下面的C#代码演示了如何从PDF中提取文本以及与字体相关的格式：

<code class="language-csharp">StringBuilder result = new StringBuilder();
PdfReader reader = new PdfReader(System.IO.Path.Combine(Environment.GetFolderPath(Environment.SpecialFolder.Desktop), "Document.pdf"));
TextWithFontExtractionStategy S = new TextWithFontExtractionStategy();
string F = iTextSharp.text.pdf.parser.PdfTextExtractor.GetTextFromPage(reader, 1, S);
Console.WriteLine(F);</code>

生成的HTML输出包含字体系列、字体大小和字体样式的标签。

其他考虑因素

• PostscriptFontName可能包含额外的字符，这可能与字体子集相关。
• 示例代码假设基线的变化表示HTML中的换行符。
• 提取过程目前不捕获颜色信息，但有迹象表明可以手动实现此功能。

以上是如何使用 iTextSharp 从 PDF 中检索文本格式（字体、大小、样式）？的详细内容。更多信息请关注PHP中文网其他相关文章！