C# 基于免费PDF库提取类表格PDF指定数据至Excel的问题求助

现有实现的核心问题 #

目前基于LGPL版itextsharp做提取遇到的卡点：

• 第1页带红框标记的两个表格，左侧的地址行完全无法被读取到
• 第2页的目标内容没有标准表格边框，也不处于同一文本行，仅靠空格、制表符分隔内容，表头还被矩形块包裹，原有拆流方式根本抓不准边界
• 直接读取底层流拆分得到的字符串序列和实际视觉阅读顺序不一致，没有位置锚点根本没法对应到要提取的字段

可替换的免费库选型 #

完全不用局限在当前手动拆流的实现上，无商业限制的免费库就能解决定位问题：

• 优先换用iTextSharp内置的SimpleTextExtractionStrategy做基础文本抓取，不要直接解析底层流token——当前的写法丢失了每个文本块的坐标信息，自然会出现顺序乱、定位不准的问题
• 如果需要更精准的坐标匹配，可以换同属开源协议的PdfPig，无付费授权限制，能直接获取每个文本块的X/Y坐标、字号、所属行位置，比手动逐token拆流的效率高很多

针对当前已抓取字符串序列的匹配逻辑 #

从你调试输出的字符串列表来看，只要做规则匹配就能准确定位6个目标字段，不需要完全重写底层读取逻辑：

1. 先做表头锚点识别：当列表中连续出现Item 、number两个条目时，标记为物料明细表的起始位置
2. 按锚点顺序匹配对应字段：
   • Item number（物料编号）：锚点之后第一个纯数字字符串，也就是你列表里索引127对应的"10"
   • product number（产品编号）：物料编号后面紧跟着的带规格符号的字符串，对应索引128的"12AG544#AAB"
   • product description（产品描述）：产品编号后面的长文本字符串，对应索引129的"Some product description goes in here"
   • quantity（数量）：产品描述后面的单个数字字符，对应索引130的"1"
   • unit price（单价）：数量后面带千分位空格的金额字符串，对应索引132的" 1 776.00 "，清洗掉首尾空格、千分位分隔符就可以得到有效数值
   • Serial ID（序列号）：匹配到字符串"Serial ID :"之后，直到下一个汇总类字符串之前的所有内容，全部按逗号、换行拼接，自动对应到所属的产品条目下
3. 地址行读取优化：之前读不到地址行，是因为底层token拆分把地址行的文本拆成了过碎的单元，换用带坐标的提取策略后，按Y坐标把同一水平高度的文本块拼接，就能完整拿到左侧地址内容

之前直接操作PRTokeniser拆流的写法，本质是在解析PDF的绘制指令，拿到的是指令执行顺序的字符串，不是人眼看到的阅读顺序——PDF的绘制逻辑根本不按阅读顺序排布，先执行的绘制指令可能对应页面最末尾的内容，这就是你遇到字符串顺序和预期对不上的核心原因，不是代码逻辑写错，是用错了接口的层级。

内容的提问来源于stack exchange，提问作者Raj