使用ITextSharp读取供应商订单PDF时的文本提取异常问题

解决方案1：使用基于位置的文本提取策略 #

ITextSharp默认的文本提取策略不考虑文本在页面上的物理位置，容易导致行顺序错乱或内容拆分。改用LocationTextExtractionStrategy可以基于文本的坐标位置组织输出，更贴近PDF的显示行：

// 初始化位置感知的提取策略
var strategy = new LocationTextExtractionStrategy();
string pageText = PdfTextExtractor.GetTextFromPage(reader, i, strategy);

// 按换行分割行
string[] lines = pageText.Split('\n');

这个策略会先按文本的Y坐标（行的垂直位置）分组，同一行内再按X坐标（水平顺序）拼接文本，能解决大部分行顺序和拆分问题。

解决方案2：自定义提取策略适配特殊布局 #

如果PDF有特殊排版（比如紧凑的文本块、不规则换行），可以继承LocationTextExtractionStrategy，通过自定义规则合并文本块：

public class CustomLineStrategy : LocationTextExtractionStrategy
{
    private float _previousLineY;
    private readonly StringBuilder _currentLineContent = new StringBuilder();
    private readonly float _lineThreshold = 2f; // 行间距阈值，根据PDF实际排版调整

    public override void RenderText(TextRenderInfo renderInfo)
    {
        float currentY = renderInfo.GetBaseline().GetStartPoint()[1];
        
        // 判断是否为新行：当前文本的Y坐标与上一行差异超过阈值则视为新行
        if (Math.Abs(currentY - _previousLineY) > _lineThreshold && _currentLineContent.Length > 0)
        {
            _output.AppendLine(_currentLineContent.ToString().Trim());
            _currentLineContent.Clear();
        }
        
        _currentLineContent.Append(renderInfo.GetText());
        _previousLineY = currentY;
    }

    public override string GetResultantText()
    {
        // 处理最后一行未添加的内容
        if (_currentLineContent.Length > 0)
        {
            _output.AppendLine(_currentLineContent.ToString().Trim());
        }
        return base.GetResultantText();
    }
}

使用自定义策略：

var customStrategy = new CustomLineStrategy();
string pageText = PdfTextExtractor.GetTextFromPage(reader, i, customStrategy);

可以根据实际PDF的排版调整_lineThreshold的值，确保同一行的文本块被正确合并。

解决方案3：排查PDF类型问题 #

如果上述方法都无效，先确认PDF的类型：

• 若是扫描图像PDF：文本提取策略无法直接读取内容，需要结合OCR工具（如Tesseract）识别图像中的文本，再进行行处理。
• 若是原生文本PDF但排版异常：可能是生成PDF时将每个单词甚至字符拆分为独立文本块，这种情况下需要进一步优化自定义策略的合并规则（比如增加X坐标的判断，确保同一行的文本按顺序拼接）。

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