使用ITextSharp从PDF指定坐标区域提取非红色文本的实现问题

你当前使用的iText（iTextSharp）默认的文本提取策略不会校验文本颜色，需要自定义文本提取策略，在渲染文本节点时过滤掉红色文本。

步骤1：自定义支持颜色过滤的文本提取策略 #

using iTextSharp.text.pdf.parser;
using iTextSharp.text;

public class FilterRedTextExtractionStrategy : LocationTextExtractionStrategy
{
    public override void RenderText(TextRenderInfo renderInfo)
    {
        // 获取当前文本的填充色
        BaseColor fillColor = renderInfo.GetFillColor();
        // 过滤标准RGB红色（R=255、G=0、B=0），如果是CMYK红色可自行调整判断逻辑
        if (fillColor != null 
            && fillColor.R == 255 
            && fillColor.G == 0 
            && fillColor.B == 0)
        {
            // 红色文本直接跳过不提取
            return;
        }
        // 非红色文本走默认提取逻辑
        base.RenderText(renderInfo);
    }
}

步骤2：修改原有提取方法，替换为自定义策略 #

public string ReadTextFromRectangle(string pdfPath, int numberOfPages, float x, float y, float width, float height)
{
    this.PdfPath = pdfPath;
    this.NumberOfPages = numberOfPages;
    this.X = x;
    this.Y = y;
    this.Width = width;
    this.Height = height;

    var reader = new PdfReader(PdfPath);
    System.util.RectangleJ customerIdRectangle = new System.util.RectangleJ(X, Y, Width, Height);
    string output = "";

    for (int i = 1; i <= NumberOfPages; i++)
    {
        RenderFilter[] filters = new RenderFilter[1];
        // 替换为自定义的过滤红色的提取策略
        FilterRedTextExtractionStrategy regionFilter = new FilterRedTextExtractionStrategy();
        filters[0] = new RegionTextRenderFilter(customerIdRectangle);
        FilteredTextRenderListener strategy = new FilteredTextRenderListener(regionFilter, filters);

        try
        {
            // 若只需要返回匹配到的第一页内容，把+=改为=即可
            output += PdfTextExtractor.GetTextFromPage(reader, i, strategy);
        }
        catch (Exception) { }
    }
    reader.Close();
    return output;
}

注：原代码存在多页提取时仅保留最后一页内容的问题，上述代码已经修正为多页内容拼接，可根据实际需求调整。

内容的提问来源于stack exchange，提问作者user15519784