如何使用ItextSharp檢測上標？

Question

Hy

我正在使用ITextSharp來解析pdf文件到文本輸出。 我想知道如果我可以捕捉如果PDF包含下標或上標，有誰知道如何使用ITextSharp或其他庫在PDF中的正常字符和上標之間的區別？

感謝

Answer 1

聲明：我實際上沒有任何確鑿證據的情況，但...

我希望超/標是相同的正常文本。它是相同的字體，只是更小。如果碰巧與其他文本位於同一行，則超級/子級腳本會被提升和降低 - 但是您將無法使用某種明確的元標記以面向佈局的格式（如PDF）檢測到該元標記。

換句話說，我想猜想您需要通過啓發式識別超級/下標：找到與「同一」行上的其他文本相比更小並且垂直移動的文本。這是否容易做到這一點取決於PDF創建者和ITextSharp的細節，因爲即使識別「行」也不一定是直截了當的。

Answer 2

你將不得不在這裏實現一些自定義邏輯。 PDF中沒有標記表示上標/下標，它只是坐在不同的基線上。在這種情況下，您將不得不記下您的基線（以及您的身高）。 一些快速的僞代碼：

//input -> curText 
    if(curText.Baseline > previousText.Baseline && 
     curText.Baseline < (prevText.Baseline + prevText.Height)) 
    { 
     // This is most likely superscript // 
    } 
    else if(curText.Baseline < previousText.Baseline && 
     prevText.Baseline < (curText.Baseline + curText.Height)) 
    { 
     // This is most likely subscript // 
    } 
    else 
    { 
     // This is probably normal text // 
    } 

此解決方案要求你組織一個PDF文件的徹底無組織的性質。在過去，我使用了一個自定義類的列表<>，用於將給定y座標的所有文本組織到數組中。使用這樣的東西，您可以在繪畫或以其他方式傳輸它們之前，比較單獨的線條，並對他們做任何可能需要的工作。