如何在C#中使用iText按正确顺序提取带格式的PDF文本？

核心思路 #

要同时实现按视觉顺序提取文本和捕获字体格式信息，本质是把格式数据绑定到按视觉排序后的文本块上——前者解决文本乱序问题，后者解决格式提取问题，关键在于在遍历文本元素时同步记录位置与格式属性。

具体实现步骤 #

1. 搭建视觉顺序遍历的基础框架 #

沿用你提到的文本顺序提取方案，基于iText7的LocationTextExtractionStrategy扩展，通过自定义TextChunkLocationStrategy确保文本块按行、列的视觉顺序排列：

// 自定义文本块位置策略，适配你的PDF布局（比如多列、复杂排版）
TextChunkLocationStrategy visualLocationStrategy = new TextChunkLocationStrategy() {
    @Override
    public TextChunkLocation createLocation(RenderTextEvent renderEvent) {
        // 这里实现按视觉位置排序的逻辑，比如按Y坐标（行）降序、X坐标（列）升序
        return new DefaultTextChunkLocation(
            renderEvent.getFontSize(),
            renderEvent.getBaseline().getY(),
            renderEvent.getBaseline().getX(),
            renderEvent.getWidthOfSpace()
        );
    }
};

2. 扩展策略同步捕获格式信息 #

继承LocationTextExtractionStrategy，重写eventOccurred方法，在处理文本渲染事件时，同时记录字体名、大小、样式等属性：

public class FormattedVisualTextStrategy extends LocationTextExtractionStrategy {
    private List<FormattedTextChunk> formattedChunkList = new ArrayList<>();

    public FormattedVisualTextStrategy(TextChunkLocationStrategy locationStrategy) {
        super(locationStrategy);
    }

    @Override
    public void eventOccurred(IEventData data, EventType type) {
        if (type == EventType.RENDER_TEXT) {
            RenderTextEvent renderEvent = (RenderTextEvent) data;
            PdfFont font = renderEvent.getFont();
            FontProgram fontProgram = font.getFontProgram();
            
            // 提取格式信息
            String fontName = fontProgram.getFontNames().getFontName();
            float fontSize = renderEvent.getFontSize();
            boolean isBold = fontProgram.isBold();
            boolean isItalic = fontProgram.isItalic();

            // 创建带格式的文本块，绑定位置信息用于排序
            FormattedTextChunk chunk = new FormattedTextChunk(
                renderEvent.getText(),
                fontName,
                fontSize,
                isBold,
                isItalic,
                getLocationStrategy().createLocation(renderEvent)
            );
            formattedChunkList.add(chunk);
        } else {
            super.eventOccurred(data, type);
        }
    }

    // 获取排序后的带格式文本块列表
    public List<FormattedTextChunk> getSortedFormattedChunks() {
        formattedChunkList.sort((c1, c2) -> c1.getLocation().compareTo(c2.getLocation()));
        return formattedChunkList;
    }

    // 自定义带格式文本块实体类
    public static class FormattedTextChunk {
        private String text;
        private String fontName;
        private float fontSize;
        private boolean isBold;
        private boolean isItalic;
        private TextChunkLocation location;

        // 构造方法、getter/setter省略
    }
}

3. 生成最终的有序带格式文本 #

通过扩展后的策略处理PDF页面，获取排序后的带格式文本块，再按需拼接成结构化输出：

// 初始化PDF文档
PdfDocument pdfDoc = new PdfDocument(new PdfReader("target.pdf"));

for (int pageNum = 1; pageNum <= pdfDoc.getNumberOfPages(); pageNum++) {
    PdfPage page = pdfDoc.getPage(pageNum);
    FormattedVisualTextStrategy strategy = new FormattedVisualTextStrategy(visualLocationStrategy);
    PdfCanvasProcessor processor = new PdfCanvasProcessor(strategy);
    processor.processPageContent(page);

    // 获取排序后的带格式文本块
    List<FormattedVisualTextStrategy.FormattedTextChunk> sortedChunks = strategy.getSortedFormattedChunks();

    // 示例：生成Markdown格式的输出
    StringBuilder mdOutput = new StringBuilder();
    for (FormattedVisualTextStrategy.FormattedTextChunk chunk : sortedChunks) {
        String styledText = chunk.getText();
        if (chunk.isBold()) styledText = "**" + styledText + "**";
        if (chunk.isItalic()) styledText = "*" + styledText + "*";
        mdOutput.append(styledText);
    }
    System.out.println("第" + pageNum + "页输出：\n" + mdOutput);
}
pdfDoc.close();

关键注意事项 #

• 字体样式检测：优先使用FontProgram.isBold()/isItalic()判断样式，比解析字体名更可靠，避免因字体名不规范导致的误判。
• 文本块合并：同一行、同格式的相邻文本块可合并，减少细碎的格式标记，提升输出可读性。
• 复杂布局适配：针对多列、浮动元素的PDF，需调整TextChunkLocationStrategy的排序逻辑，确保列内顺序正确，列间按视觉流向排序。

内容的提问来源于stack exchange，提问作者Ehsan Sharifi Esfahani