C# VSTO中基于iText提取PDF可点击链接及对应文本

你已经能提取PDF中的URI链接，但链接对应的文本并不存储在链接注释本身中，而是位于注释覆盖的页面矩形区域内。需要通过获取注释的位置矩形，提取该区域内的页面文本。

实现步骤与代码 #

首先定义一个类来存储链接和对应文本：

public class LinkWithText
{
    public string Uri { get; set; }
    public string Text { get; set; }
}

修改原方法，加入文本提取逻辑：

using iText.Kernel.Pdf;
using iText.Kernel.Pdf.Annot;
using iText.Kernel.Geom;
using iText.Kernel.Pdf.Canvas.Parser;
using iText.Kernel.Pdf.Canvas.Parser.Filter;
using iText.Kernel.Pdf.Canvas.Parser.Listener;
using System.Collections.Generic;

public static List<LinkWithText> LinkWithTextCollector(string pdfPath)
{
    List<LinkWithText> linkWithTextList = new List<LinkWithText>();
    using var reader = new PdfReader(pdfPath);
    using var pdfDoc = new PdfDocument(reader);

    for (int pageNum = 1; pageNum <= pdfDoc.GetNumberOfPages(); pageNum++)
    {
        PdfPage page = pdfDoc.GetPage(pageNum);
        var annotList = page.GetAnnotations();

        foreach (var annot in annotList)
        {
            // 仅处理链接类型注释
            if (annot.GetSubtype() != PdfName.Link)
                continue;

            PdfDictionary annotDict = annot.GetPdfObject() as PdfDictionary;
            if (annotDict == null)
                continue;

            PdfDictionary linkAction = annotDict.GetAsDictionary(PdfName.A);
            // 仅处理URI类型的链接动作
            if (linkAction == null || linkAction.Get(PdfName.S) != PdfName.URI)
                continue;

            // 获取链接地址
            string uri = linkAction.GetAsString(PdfName.URI).ToString();

            // 获取链接注释覆盖的矩形区域
            PdfArray rectArray = annotDict.GetAsArray(PdfName.Rect);
            if (rectArray == null)
                continue;

            // 转换为iText矩形对象（PDF坐标原点在左下角，无需额外转换）
            float llx = rectArray.GetAsNumber(0).FloatValue;
            float lly = rectArray.GetAsNumber(1).FloatValue;
            float urx = rectArray.GetAsNumber(2).FloatValue;
            float ury = rectArray.GetAsNumber(3).FloatValue;
            Rectangle linkRect = new Rectangle(llx, lly, urx, ury);

            // 提取矩形区域内的文本
            LocationTextExtractionStrategy textStrategy = new LocationTextExtractionStrategy();
            FilteredTextEventListener filteredListener = new FilteredTextEventListener(
                textStrategy, new TextRegionEventFilter(linkRect));
            PdfCanvasProcessor processor = new PdfCanvasProcessor(filteredListener);
            processor.ProcessPageContent(page);
            string linkText = textStrategy.GetResultantText().Trim();

            linkWithTextList.Add(new LinkWithText { Uri = uri, Text = linkText });
        }
    }

    return linkWithTextList;
}

关键逻辑说明 #

• 过滤有效注释：通过判断注释子类型为PdfName.Link、动作类型为PdfName.URI，确保只处理目标链接注释。
• 获取覆盖区域：从注释字典的PdfName.Rect键提取链接覆盖的页面坐标，转换为Rectangle对象。
• 区域文本提取：使用FilteredTextEventListener结合TextRegionEventFilter，仅提取指定矩形范围内的文本，避免获取页面其他无关内容。

内容的提问来源于stack exchange，提问作者ThibaultKm