如何在C#中使用iText 7读取带标签的PDF？

嘿，我太懂你这种用坐标提取文本踩坑的感受了——表格的行高列宽一变，之前写的定位逻辑直接失效，完全抓瞎！好在iText 7确实支持读取带标签的PDF内容，刚好能解决你的需求，下面给你详细说怎么实现：

先明确一个前提 #

你要处理的PDF必须是真正的结构化带标签PDF，不是那种看起来有表格但只是把文本堆在特定位置的“伪标签”文件。很多PDF表面上像表格，但其实没有嵌入结构化标签信息，这种情况就算用代码也提取不到你想要的标签层级。你可以先用Adobe Acrobat打开PDF，查看左侧的“标签”面板，如果能看到清晰的层级（比如Table→TR→TD这种结构），那就是符合要求的带标签PDF。

具体实现代码（C#） #

iText 7提供了PdfStructTreeController等类专门处理PDF的结构化标签树，我们可以通过递归遍历标签树来提取每个元素的标签类型和对应内容：

using iText.Kernel.Pdf;
using iText.Kernel.Pdf.Tagging;
using iText.Kernel.Pdf.Tagutils;
using iText.Kernel.Pdf.Canvas.Parser;
using iText.Kernel.Pdf.Canvas.Parser.Data;
using iText.Kernel.Pdf.Canvas.Parser.Listener;
using System.Text;

public class TaggedPdfExtractor
{
    public void ExtractTaggedContent(string pdfFilePath)
    {
        // 加载PDF文档
        using (PdfDocument pdfDoc = new PdfDocument(new PdfReader(pdfFilePath)))
        {
            // 获取结构化标签树的控制器
            PdfStructTreeController structTreeController = pdfDoc.GetStructTreeController();
            // 获取标签树的根元素
            PdfStructElem rootElement = structTreeController.GetRootElem();
            
            // 递归遍历整个标签树
            TraverseStructElements(rootElement, 0);
        }
    }

    // 递归遍历结构元素，indentLevel用来控制输出缩进，体现层级关系
    private void TraverseStructElements(PdfStructElem element, int indentLevel)
    {
        // 获取当前元素的标签类型（比如"Table", "TR", "TD", "Paragraph"等）
        string tagType = element.GetRole();
        // 获取当前元素对应的文本内容
        string elementText = GetElementTextContent(element);
        
        // 打印标签类型和内容，缩进方便看层级
        Console.WriteLine($"{new string(' ', indentLevel * 2)}[{tagType}]: {elementText}");
        
        // 遍历当前元素的所有子元素
        foreach (PdfStructElem childElement in element.GetKids())
        {
            TraverseStructElements(childElement, indentLevel + 1);
        }
    }

    // 提取单个结构元素的文本内容
    private string GetElementTextContent(PdfStructElem element)
    {
        StringBuilder textBuilder = new StringBuilder();
        // 创建自定义的文本提取策略
        var extractionStrategy = new SimpleTextExtractionStrategy();
        
        foreach (PdfObject contentObj in element.GetPageContentElements())
        {
            if (contentObj is PdfStream contentStream)
            {
                // 处理元素对应的页面内容流，提取文本
                PdfContentStreamProcessor processor = new PdfContentStreamProcessor(extractionStrategy);
                processor.ProcessContent(contentStream.GetBytes(), element.GetPage().GetResources());
                textBuilder.Append(extractionStrategy.GetResultantText());
            }
        }
        
        return textBuilder.ToString().Trim();
    }
}

代码说明 #

1. 核心类作用：PdfStructTreeController是处理PDF结构化标签的核心，它能帮我们获取标签树的根节点，进而遍历整个结构。
2. 递归遍历：TraverseStructElements方法会一层层遍历每个标签元素，用缩进区分层级，这样你就能清晰看到Table包含TR，TR包含TD的结构，就像解析HTML一样。
3. 文本提取：GetElementTextContent方法负责提取每个标签元素对应的文本，通过PdfContentStreamProcessor和文本提取策略来收集内容。

注意事项 #

• 标签类型不一定完全和HTML一致：PDF的标签规范里，表格相关的标签通常是Table、TR、TD，但也可能存在自定义标签，你需要根据自己的目标PDF调整处理逻辑。
• 处理复杂内容：如果单元格里有换行、嵌套元素或者非文本内容（比如图片），你可能需要扩展文本提取策略，比如处理换行符，或者跳过非文本的内容流。
• 伪标签PDF的处理：如果你的PDF没有真正的结构化标签，那这个方法就不适用了，这种情况下可能需要用基于视觉分析的表格提取工具，不过iText 7本身也有TableExtractor类可以试试提取表格内容（不需要依赖标签）。

备注：内容来源于stack exchange，提问作者Stack0verflow