使用iText7 8.0.4提取PDF文本抛出异常，求解决方法

问题原因 #

该异常说明目标PDF文件存在语法不规范或局部损坏，iText的PDF解析器在文件指针39747位置遇到了不符合PDF规范的'>'符号，导致解析中断。

解决方案 #

1. 启用iText的PDF修复模式 #

初始化PdfReader时通过ReaderProperties开启自动修复选项，让iText尝试修正PDF中的格式问题：

MemoryStream pdfStream = ...
pdfStream.Position = 0;

// 配置修复属性
var readerProps = new ReaderProperties()
    .SetUnethicalReading(true)
    .SetFixBrokenPdf(true);
var reader = new PdfReader(pdfStream, readerProps);

using var pdfDocument = new PdfDocument(reader);
var strategy = new LocationTextExtractionStrategy();

for (int i = 1; i <= pdfDocument.GetNumberOfPages(); ++i)
{
    var page = pdfDocument.GetPage(i);
    var text = PdfTextExtractor.GetTextFromPage(page, strategy);
    // 处理提取到的文本
}

• SetUnethicalReading(true)：绕过部分PDF的权限限制标记（部分损坏PDF会误触发该标记）
• SetFixBrokenPdf(true)：开启iText的自动修复损坏PDF功能

2. 切换文本提取策略 #

如果修复模式无效，尝试使用逻辑更简单的SimpleTextExtractionStrategy，对不规范PDF兼容性更好：

var strategy = new SimpleTextExtractionStrategy();
var text = PdfTextExtractor.GetTextFromPage(page, strategy);

3. 提前修复PDF文件 #

若上述方法仍失败，先用第三方工具（如Ghostscript）预修复PDF，再用iText提取。示例Ghostscript命令：

gs -o repaired.pdf -sDEVICE=pdfwrite -dPDFSETTINGS=/original 目标文件.pdf

修复后使用原代码读取repaired.pdf即可。

内容的提问来源于stack exchange，提问作者Andrus