切换至.NET Core 3.1后iText7读取PDF页面内容无返回问题求助

问题根因 #

该问题核心是.NET Core 3.0+版本默认移除了GBK、Big5等东亚地区编码的内置支持，若生成的PDF文本使用了这类编码，iText7提取文本时会因为找不到对应编码解析器返回空内容，完全匹配你从.NET Core 2.2迁移到3.1的场景。

解决方案 #

步骤1：安装编码扩展包 #

通过NuGet安装System.Text.Encoding.CodePages包，版本需匹配你使用的.NET Core 3.1运行时。

步骤2：全局注册编码提供程序 #

在QA测试项目的程序入口（例如单元测试的Fixture初始化逻辑、Program.cs的Main方法最开头）添加编码注册代码，全局仅需执行一次：

System.Text.Encoding.RegisterProvider(System.Text.CodePagesEncodingProvider.Instance);

步骤3（可选）：关闭iText权限校验 #

如果PDF设置了禁止提取内容的权限标记，iText默认会遵守限制不返回文本，可在初始化PdfReader时添加权限忽略配置（仅用于内部测试场景）：

var readerProp = new ReaderProperties();
readerProp.SetUnethicalReading(true);
using (PdfReader reader = new PdfReader(filepath, readerProp))

修正后的完整示例代码 #

// 编码注册逻辑全局执行一次即可
System.Text.Encoding.RegisterProvider(System.Text.CodePagesEncodingProvider.Instance);

bool foundIndex = false;
var readerProp = new ReaderProperties();
readerProp.SetUnethicalReading(true);
using (PdfReader reader = new PdfReader(filepath, readerProp))
{
    using (var doc = new iText.Kernel.Pdf.PdfDocument(reader))
    {
        for (int ctr = 1; ctr <= doc.GetNumberOfPages(); ctr++)
        {
            var page = doc.GetPage(ctr);
            // 无需额外指定提取策略，默认策略即可正常读取
            var text = PdfTextExtractor.GetTextFromPage(page);
            if (text.Contains("Index of Legislation"))
            {
                foundIndex = true;
                break;
            }
        }
    }
}

按上述方案修改后即可正常提取PDF文本内容，无需切换其他PDF处理库。

内容的提问来源于stack exchange，提问作者CHarmon