如何在C#中读取带有行号的PDF文件？

• 靠排版位置区分（最可靠）：带行号的PDF通常会把行号放在左侧固定宽度的区域，和正文的x坐标范围完全分开。用PyMuPDF（fitz）或PyPDF2这类库提取文本块的位置信息，设定一个x坐标阈值就能区分两边内容：

  import fitz
  
  doc = fitz.open("目标文档.pdf")
  for page in doc:
      # 获取页面所有文本块，每个块包含坐标和文本内容
      blocks = page.get_text("blocks")
      # 根据实际文档调整行号区域的x坐标上限
      line_num_x_limit = 50
      for block in blocks:
          x0, y0, x1, y1, text, _, _ = block
          if x0 < line_num_x_limit:
              line_number = text.strip()
              # 这里可以把行号存入数据库
          else:
              content = text.strip()
              # 这里处理正文内容并存库
  

  这种方法完全不受正文里的数字影响，只要排版规则就有效。

• 解析PDF结构标签：如果你的PDF是从Word等结构化文档导出的，可能带有内置标签。用pdfminer.six可以解析这些标签，通常行号对应<Lbl>标签，正文对应<LBody>标签，直接提取对应标签的内容即可。

• OCR+位置识别（针对扫描版PDF）：如果是扫描生成的PDF（纯图片），先要用Tesseract等OCR工具提取文本，同时获取每个字符的位置坐标，再通过左侧固定区域识别行号，匹配对应行的正文内容。

• 正则+上下文规则（备选方案）：如果前几种方法都用不了，观察行号的格式规律——比如行号是开头的连续数字，后面跟着至少两个空格，且行号是连续递增的。可以用正则匹配结合递增验证来区分：

  import re
  
  # 假设已提取到整页纯文本
  raw_text = "1            It is agreed on...\n2            The party named..."
  lines = raw_text.split("\n")
  last_line_num = 0
  for line in lines:
      # 匹配开头数字+至少两个空格的格式
      match_result = re.match(r"^(\d+)\s{2,}(.*)", line.strip())
      if match_result:
          current_num = int(match_result.group(1))
          # 验证行号是否连续递增，排除正文中的数字
          if current_num == last_line_num + 1 or last_line_num == 0:
              line_num = current_num
              content = match_result.group(2)
              last_line_num = current_num
              # 这里执行存库操作
  

内容的提问来源于stack exchange，提问作者Niranjan