怎么看桌子？

Question

我有PDF文件中的时间表。

            (1)     (2)     (3)
            09:00   10:30   11:30            
Monday      12C     11B     10A
Tuesday     10K     10K     9A
Wednesday           7A
Thursday    7B      7B
Friday      6A              11B

我正在使用iTextSharp阅读所有的文本。

    private static string ReadFile(string path)
    {
        using (var reader = new PdfReader(path))
        {
            var text = new StringBuilder();

            for (var i = 1; i <= reader.NumberOfPages; i++)
                text.Append(PdfTextExtractor.GetTextFromPage(reader, i));

            return text.ToString();
        }
    }

这条文本响应行如下：

(1) (2) (3) 
09:00 10:30 11:30
12C 11B 10A
Monday
10K 10K 9A
Tuesday
7A
Wednesday
B 7B
Thursday
6A  11B
Friday

所以我不明白哪个班是在什么时候？例如，星期三有7A班，但哪一次(09:00或10:30或11:30)？如果它写了一个空白的主持人()，我可以理解。

(1) (2) (3) 
09:00 10:30 11:30
12C 11B 10A
Monday
10K 10K 9A
Tuesday
&nbsp 7A &nbsp
Wednesday
B 7B &nbsp
Thursday
6A &nbsp 11B
Friday

这有可能使用iTextSharp吗？

Answer 1

这在一般情况下是不可能的。

如果未标记PDF文档，则文档本身不包含结构信息。或者简单地说，文档不知道哪些部分是表、表行，甚至是段落。

从无标记的PDF文档中提取结构信息是很困难的。如果不是说不可能在一般情况下。

使用pdf2Data，您可以实现这一点。请注意，您必须预先定义模板。因此，您需要告诉软件，它可以在哪里可以期待一个表。

您可以看看SimpleTextExtractionStrategy in iText。它本质上处理所有呈现信息，并决定何时将文本连接到现有缓冲区。

在代码的某个时候，它决定如果缓冲区已经以空格结尾，那么就不应该再追加空白。

我建议您创建自己的SimpleTextExtractionStrategy实现，该实现覆盖此行为并始终插入空白。