特定PDF中C# RenderInfo.GetText()无法获取换行，如何解决？

我的目标 #

我需要在PDF中搜索特定文本，该文本有时包含换行符。在本例中，我希望提取PDF中某标记矩形区域内的3行带换行的文本。

我的代码 #

我使用iTextSharp 5.5.13.3编写了如下C#代码：

var fontStrategy = new GetFontsExtractionStrategy();
using (var reader = new PdfReader("C:\\pdf.pdf"))
{
    var text = string.Empty;
    for (int page = 1; page <= reader.NumberOfPages; page++)
    {
        var ex = PdfTextExtractor.GetTextFromPage(reader, page, fontStrategy);
    }
}
Logging.LogInfo($"PDF text: {fontStrategy.lastChunks}");

public class GetFontsExtractionStrategy : LocationTextExtractionStrategy
{
    public string lastChunks;

    public override void RenderText(TextRenderInfo renderInfo)
    {
        var txt = renderInfo.GetText();
        lastChunks += txt;
    }
}

当前结果 #

lastChunks中提取到的相关文本为：

Unvani (T�zel Kisiler doldurulacaktir.) (Kisaltma yapilmadan Ticaret Sicilinde yer aldigi bi�imde yazilacaktir)

预期结果 #

希望提取到带正确换行的文本：

Unvani (T�zel Kisiler doldurulacaktir.)
(Kisaltma yapilmadan Ticaret Sicilinde yer
aldigi bi�imde yazilacaktir)

我的问题 #

如何获取包含正确换行的文本？必要时我也可以更换PDF处理库，恳请提供解决方案！

解决方案 #

方法1：优化iTextSharp的文本提取策略 #

你的自定义提取策略仅简单拼接文本，未考虑PDF中文字的位置信息（如行间距、Y坐标变化）。可通过对比相邻文本块的Y坐标判断换行：

修改提取策略类，添加换行判断逻辑：

public class LineBreakExtractionStrategy : LocationTextExtractionStrategy
{
    public string ExtractedText { get; private set; } = string.Empty;
    private float? _lastY;
    // 换行阈值，需根据PDF字体大小调整，字体12号时建议设为5左右
    private const float LineBreakThreshold = 5f;

    public override void RenderText(TextRenderInfo renderInfo)
    {
        var currentY = renderInfo.GetBaseline().GetStartPoint()[1];
        
        // 当当前文本块与上一块Y坐标差异超过阈值时添加换行
        if (_lastY.HasValue && Math.Abs(currentY - _lastY.Value) > LineBreakThreshold)
        {
            ExtractedText += Environment.NewLine;
        }
        
        ExtractedText += renderInfo.GetText();
        _lastY = currentY;
    }
}

使用时替换原策略：

var lineBreakStrategy = new LineBreakExtractionStrategy();
using (var reader = new PdfReader("C:\\pdf.pdf"))
{
    for (int page = 1; page <= reader.NumberOfPages; page++)
    {
        PdfTextExtractor.GetTextFromPage(reader, page, lineBreakStrategy);
    }
}
Logging.LogInfo($"带换行的PDF文本: {lineBreakStrategy.ExtractedText}");

方法2：更换为PdfPig库 #

如果iTextSharp调整效果不佳，可尝试开源.NET库PdfPig，它默认保留文本的换行结构：

1. 通过NuGet安装：Install-Package PdfPig
2. 提取文本代码：

using UglyToad.PdfPig;
using UglyToad.PdfPig.Content;

using (var document = PdfDocument.Open("C:\\pdf.pdf"))
{
    foreach (Page page in document.GetPages())
    {
        string pageText = page.Text;
        Logging.LogInfo($"页面文本: {pageText}");
    }
}

PdfPig会根据PDF布局自动识别换行，多数场景下可直接得到符合预期的带换行文本。

方法3：提取指定矩形区域的文本 #

若仅需特定矩形内的文本，可结合坐标过滤（以iTextSharp为例）：

public class RegionTextExtractionStrategy : LocationTextExtractionStrategy
{
    public string ExtractedText { get; private set; } = string.Empty;
    private readonly Rectangle _targetRegion;
    private float? _lastY;
    private const float LineBreakThreshold = 5f;

    public RegionTextExtractionStrategy(Rectangle targetRegion)
    {
        _targetRegion = targetRegion;
    }

    public override void RenderText(TextRenderInfo renderInfo)
    {
        var textRect = renderInfo.GetDescentLine().GetBoundingRectangle();
        
        // 过滤目标区域外的文本
        if (!_targetRegion.Intersects(textRect))
        {
            return;
        }

        var currentY = renderInfo.GetBaseline().GetStartPoint()[1];
        if (_lastY.HasValue && Math.Abs(currentY - _lastY.Value) > LineBreakThreshold)
        {
            ExtractedText += Environment.NewLine;
        }
        
        ExtractedText += renderInfo.GetText();
        _lastY = currentY;
    }
}

使用时指定目标矩形（坐标以PDF页面左下角为原点，需根据实际区域调整）：

// 示例区域：x:100-500，y:200-400
var targetRegion = new Rectangle(100, 200, 500, 400);
var regionStrategy = new RegionTextExtractionStrategy(targetRegion);
using (var reader = new PdfReader("C:\\pdf.pdf"))
{
    PdfTextExtractor.GetTextFromPage(reader, 1, regionStrategy);
}
Logging.LogInfo($"区域内带换行文本: {regionStrategy.ExtractedText}");

内容的提问来源于stack exchange，提问作者Patrick