如何用C#读取PDF中手动添加的文本？iTextSharp读取失败解决方案

你遇到的核心问题是：通过FoxIt Reader、Nuance PDF等工具手动添加的文本，大多以**PDF表单域（Form Field）或注释（Annotation）**的形式存储，而默认的LocationTextExtractionStrategy只会提取页面内容流中的原生文本，不会处理这些附加元素。以下是具体解决思路：

1. 提取表单域中的文本 #

很多PDF编辑器添加的文本会被保存为表单域，可通过AcroFields对象遍历读取：

string parsedText = string.Empty;
using (PdfReader reader = new PdfReader(pdfPath))
{
    // 提取页面原生文本
    ITextExtractionStrategy its = new LocationTextExtractionStrategy();
    parsedText = PdfTextExtractor.GetTextFromPage(reader, 1, its);

    // 提取表单域文本
    AcroFields fields = reader.AcroFields;
    foreach (string fieldName in fields.Fields.Keys)
    {
        string fieldValue = fields.GetField(fieldName);
        if (!string.IsNullOrEmpty(fieldValue))
        {
            // 将表单域文本追加到结果中，或单独处理目标发票编号
            parsedText += "\n" + fieldValue;
            // 可根据字段名或值特征筛选发票编号，比如字段名包含"InvoiceNo"等
        }
    }
}

2. 提取注释中的文本 #

如果文本是以自由文本注释（FreeText）或普通文本注释（Text）形式添加的，需要遍历页面的注释集合：

using (PdfReader reader = new PdfReader(pdfPath))
{
    for (int pageNum = 1; pageNum <= reader.NumberOfPages; pageNum++)
    {
        PdfDictionary pageDict = reader.GetPageN(pageNum);
        PdfArray annots = pageDict.GetAsArray(PdfName.ANNOTS);
        if (annots == null) continue;

        foreach (PdfObject annotObj in annots.ArrayList)
        {
            PdfDictionary annotDict = (PdfDictionary)PdfReader.GetPdfObject(annotObj);
            PdfName subtype = annotDict.GetAsName(PdfName.SUBTYPE);

            // 处理自由文本注释（常见的手动添加文本类型）
            if (PdfName.FREETEXT.Equals(subtype))
            {
                PdfString content = annotDict.GetAsString(PdfName.CONTENTS);
                if (content != null)
                {
                    string annotText = content.ToUnicodeString();
                    // 处理注释文本，比如匹配发票编号格式
                }
            }
            // 处理普通文本注释（便签类）
            else if (PdfName.TEXT.Equals(subtype))
            {
                PdfString content = annotDict.GetAsString(PdfName.CONTENTS);
                if (content != null)
                {
                    string annotText = content.ToUnicodeString();
                    // 处理注释文本
                }
            }
        }
    }
}

3. 优化编码处理 #

你原代码中的编码转换是冗余的，iTextSharp的GetTextFromPage和ToUnicodeString已经处理了Unicode编码，直接使用即可避免乱码问题。

注意事项 #

• 不同PDF编辑器的文本存储逻辑可能不同，建议先通过PDF分析工具（如iText RUPS）查看目标文本的存储类型（表单域/注释），再针对性处理。
• 可通过正则表达式匹配发票编号的格式（比如固定长度数字、前缀+数字等），快速定位目标内容。

内容的提问来源于stack exchange，提问作者Helyx