You need to enable JavaScript to run this app. iText 7 C#读取PDF时出现多页内容合并问题 求优化方案
优惠活动
大模型
产品
解决方案
定价
更多

iText 7 C#读取PDF时出现多页内容合并问题 求优化方案

问题修复方案

核心问题原因

你代码中跨页复用同一个LocationTextExtractionStrategy实例是问题根源:该策略会缓存所有已处理页面的文本坐标信息,处理新页面时不会清空历史数据,会将多页内容按全局坐标混排,因此出现跨页内容合并、顺序错乱的问题。

修复后代码

public static string ExtractTextFromPdf(string path)
{
    using (var pdfDocument = new PdfDocument(new PdfReader(path)))
    {
        var stringBuilder = new StringBuilder();
        for (int i = 1; i <= pdfDocument.GetNumberOfPages(); ++i)
        {
            // 每页单独实例化提取策略,避免跨页数据干扰
            var strategy = new LocationTextExtractionStrategy();
            string text = PdfTextExtractor.GetTextFromPage(pdfDocument.GetPage(i), strategy);
            stringBuilder.Append(text);
            // 可选:追加换行符明确分隔不同页内容
            stringBuilder.Append(Environment.NewLine);
        }
        return stringBuilder.ToString();
    }
}

额外优化建议

  • 处理多栏、浮动元素等复杂排版PDF时,可以将提取策略替换为SimpleTextExtractionStrategy,该策略直接按PDF内容流存储顺序提取文本,不会按坐标重排,能大幅降低顺序错乱概率
  • 有定制化提取需求时,可以继承ITextExtractionStrategy实现自定义逻辑,比如仅提取指定坐标区域内容、过滤页眉页脚等
  • 对提取格式要求高的场景,可以调整LocationTextExtractionStrategy的文本间距判定阈值,匹配目标PDF的排版规则

其他可选PDF提取工具

  • PdfSharp:轻量级开源.NET PDF处理库,NuGet可直接安装,适合基础文本提取场景
  • Docnet:基于Poppler封装的.NET库,提取准确率高,对复杂排版PDF的兼容性更好
  • 微软官方文档解析组件:.NET生态下的企业级场景可选用,兼容性和稳定性有保障

内容的提问来源于stack exchange,提问作者Darkhydro

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.10.10 07:51:02