.NET控制台应用(C#)读取PDF跨页表格解决方案咨询

免费方案：PdfPig #

PdfPig是开源的.NET PDF处理库，能精准识别表格单元格结构，避免iTextSharp左到右拼接文本的问题，还可自定义逻辑处理跨页拆分的行。

• 安装依赖：通过NuGet安装 PdfPig，命令：

  Install-Package PdfPig
  

• 核心实现代码：

  using UglyToad.PdfPig;
  using UglyToad.PdfPig.Content;
  using UglyToad.PdfPig.Tables;
  using System.Collections.Generic;
  using System.Linq;
  
  using (var document = PdfDocument.Open("target.pdf"))
  {
      // 读取第4到7页（页码从1开始，Skip(3)跳过前3页）
      var targetPages = document.GetPages().Skip(3).Take(4);
      var tableDetector = new TableDetector();
      var allTables = new List<Table>();
  
      // 提取每页的表格
      foreach (var page in targetPages)
      {
          allTables.AddRange(tableDetector.Detect(page));
      }
  
      // 合并跨页拆分的行
      var mergedRows = new List<List<string>>();
      List<string> pendingRow = null;
  
      foreach (var table in allTables)
      {
          int totalColumns = table.ColumnCount;
          foreach (var row in table.Rows)
          {
              var rowCells = row.Cells.Select(c => c.Text.Trim()).ToList();
              
              // 判断当前行是否为上一页截断的行续接
              if (pendingRow != null && rowCells.Count < totalColumns)
              {
                  // 合并单元格内容
                  for (int i = 0; i < rowCells.Count; i++)
                  {
                      pendingRow[i] += $" {rowCells[i]}";
                  }
                  mergedRows.Add(pendingRow);
                  pendingRow = null;
              }
              // 当前行是截断行，标记为待合并
              else if (rowCells.Count < totalColumns)
              {
                  pendingRow = rowCells;
              }
              // 完整行直接加入结果
              else
              {
                  mergedRows.Add(rowCells);
              }
          }
      }
  
      // 处理最后一条待合并的行
      if (pendingRow != null)
      {
          mergedRows.Add(pendingRow);
      }
  
      // 输出所有行数据
      foreach (var row in mergedRows)
      {
          System.Console.WriteLine(string.Join("\t", row));
      }
  }
  

• 优势：完全免费开源，单元格识别准确，支持自定义跨页行合并逻辑，兼容.NET 8及旧版本。

付费方案：Syncfusion Essential PDF #

Syncfusion是成熟的商业PDF库，内置表格自动识别与跨页合并功能，无需手动编写复杂的行合并逻辑，识别精度更高。

• 安装依赖：通过NuGet安装 Syncfusion.Pdf.Net.Core，命令：

  Install-Package Syncfusion.Pdf.Net.Core
  

• 核心实现代码：

  using Syncfusion.Pdf.Parsing;
  using Syncfusion.Pdf.Tables;
  
  // 加载PDF文档
  using var loadedDocument = new PdfLoadedDocument("target.pdf");
  var tableList = new List<PdfTable>();
  
  // 提取第4到7页的表格（索引从0开始，对应页码4-7）
  for (int pageIndex = 3; pageIndex < 7; pageIndex++)
  {
      var loadedPage = loadedDocument.Pages[pageIndex] as PdfLoadedPage;
      var pageTables = PdfTableExtractor.ExtractTable(loadedPage);
      tableList.AddRange(pageTables);
  }
  
  // 自动合并跨页表格（含拆分的行）
  var mergedTable = PdfTable.MergeTables(tableList.ToArray());
  
  // 遍历所有单元格数据
  for (int row = 0; row < mergedTable.Rows.Count; row++)
  {
      for (int col = 0; col < mergedTable.Columns.Count; col++)
      {
          string cellContent = mergedTable.Rows[row].Cells[col].Text;
          System.Console.Write($"{cellContent}\t");
      }
      System.Console.WriteLine();
  }
  

• 优势：开箱即用的跨页表格处理，支持复杂表格（如合并单元格），官方技术支持完善，兼容.NET 8及旧版本。

特殊情况处理 #

如果PDF是扫描生成的图片格式，需先通过OCR转换为可编辑文本：

• 免费方案：使用Tesseract.NET完成OCR，再用上述库提取表格
• 付费方案：使用Syncfusion的OCR组件，一站式完成OCR与表格提取

内容的提问来源于stack exchange，提问作者Dejan Jovanovic