如何在iText中使用LocationTextExtractionStrategy提取标准化PDF指定区域文本？

要从PDF指定区域提取文本，你可以结合FilteredTextEventListener和RegionTextFilter，对LocationTextExtractionStrategy进行区域过滤。以下是完整的实现方案：

核心实现步骤 #

• 定义目标提取区域：用Rectangle类指定区域的坐标与尺寸（PDF坐标系以页面左下角为原点，单位为点）
• 包装提取策略：通过FilteredTextEventListener将区域过滤器绑定到LocationTextExtractionStrategy
• 执行区域文本提取：使用包装后的策略完成指定区域的文本提取

C#代码示例 #

using iText.Kernel.Pdf;
using iText.Kernel.Geom;
using iText.PdfParser;

// 初始化PDF文档
string path = "你的发票路径.pdf";
PdfReader pdfReader = new PdfReader(path);
PdfDocument pdfDoc = new PdfDocument(pdfReader);

for (int page = 1; page <= pdfDoc.GetNumberOfPages(); page++)
{
    // 1. 定义目标区域：参数依次为x左边界、y下边界、区域宽度、区域高度
    // 示例：提取页面中一个坐标(100, 600)开始、宽300高80的区域
    Rectangle targetRegion = new Rectangle(100, 600, 300, 80);
    
    // 2. 创建区域过滤器和带过滤的提取策略
    RegionTextFilter regionFilter = new RegionTextFilter(targetRegion);
    LocationTextExtractionStrategy baseStrategy = new LocationTextExtractionStrategy();
    FilteredTextEventListener filteredStrategy = new FilteredTextEventListener(baseStrategy, regionFilter);
    
    // 3. 提取指定区域的文本
    string extractedText = PdfTextExtractor.GetTextFromPage(pdfDoc.GetPage(page), filteredStrategy);
    
    // 输出提取结果
    Console.WriteLine($"第{page}页指定区域内容：{extractedText}");
}

// 释放资源
pdfDoc.Close();
pdfReader.Close();

关键说明 #

• 坐标确认：若不清楚目标区域的坐标，可通过PDF阅读器的元素位置查看功能获取，或先提取全页文本，结合LocationTextExtractionStrategy输出的文本位置信息分析。
• 多区域提取：如需提取多个字段，只需循环定义不同的Rectangle区域，重复执行提取逻辑即可。
• 标准化发票适配：由于你的发票是标准化格式，只需提前确认每个数据字段对应的固定区域坐标，即可稳定提取目标数据。

内容的提问来源于stack exchange，提问作者user1252314