如何使用iTextSharp從PDF中提取高亮文本？

Question

按如下因素後： iTextSharp PDF Reading highlighed text (highlight annotations) using C#

驗證碼：

for (int i = pageFrom; i <= pageTo; i++) { 
    PdfDictionary page = reader.GetPageN(i); 
    PdfArray annots = page.GetAsArray(iTextSharp.text.pdf.PdfName.ANNOTS); 
    if (annots!=null) 
     foreach (PdfObject annot in annots.ArrayList) { 
      PdfDictionary annotation = (PdfDictionary)PdfReader.GetPdfObject(annot); 
      PdfString contents = annotation.GetAsString(PdfName.CONTENTS); 
      // now use the String value of contents 
     } 
    } 
} 

正在提取PDF註釋。但是，爲什麼同樣的下面的代碼是不是亮點工作（特別是PdfName.HIGHLIGHT不工作）：

for (int i = pageFrom; i <= pageTo; i++) { 
    PdfDictionary page = reader.GetPageN(i); 
    PdfArray annots = page.GetAsArray(iTextSharp.text.pdf.PdfName.HIGHLIGHT); 
    if (annots!=null) 
     foreach (PdfObject annot in annots.ArrayList) { 
      PdfDictionary annotation = (PdfDictionary)PdfReader.GetPdfObject(annot); 
      PdfString contents = annotation.GetAsString(PdfName.CONTENTS); 
      // now use the String value of contents 
     } 
    } 
} 

Answer 1

請參加ISO-32000-1看看錶30（又名PDF參考）。它的標題是「頁面對象中的條目」。在這些條目中，您可以找到一個名爲Annots的密鑰。它的值是：

（可選），應包含 與網頁相關聯的所有註解間接引用註釋字典的數組（見 12.5，「集註」）。

你不會找到這樣的一個關鍵Highlight的條目，因此它僅僅是正常的，返回的數組爲null，當你有這樣一行：

PdfArray annots = page.GetAsArray(iTextSharp.text.pdf.PdfName.HIGHLIGHT); 

你需要得到註解你已經做的方式：

PdfArray annots = page.GetAsArray(iTextSharp.text.pdf.PdfName.ANNOTS); 

現在你需要遍歷這個數組，尋找註解與Subtype等於Highlight。 ISO-32000-1標題爲「註釋類型」的表169列出了這種類型的註釋。

換句話說，假設頁面字典包含鍵爲Highlight的條目是錯誤的，如果您閱讀了整個規範，您還會發現另一個錯誤的假設。您錯誤地認爲突出顯示的文本存儲在註釋的Contents條目中。這表明對註釋與頁面內容的性質缺乏瞭解。

您正在查找的文本存儲在頁面的內容流中。頁面的內容流獨立於頁面的註釋。因此，要獲取突出顯示的文本，需要獲取存儲在Highlight註釋中的座標（存儲在QuadPoints數組中），並且需要使用這些座標來解析頁面內容中存在的文本。

Answer 2

這裏是提取使用iTextSharp的

public void GetRectAnno() 
    { 

     string appRootDir = new DirectoryInfo(Environment.CurrentDirectory).Parent.Parent.FullName; 

     string filePath = appRootDir + "/PDFs/" + "anot.pdf"; 

     int pageFrom = 0; 
     int pageTo = 0; 

     try 
     { 
      using (PdfReader reader = new PdfReader(filePath)) 
      { 
       pageTo = reader.NumberOfPages; 

       for (int i = 1; i <= reader.NumberOfPages; i++) 
       { 


        PdfDictionary page = reader.GetPageN(i); 
        PdfArray annots = page.GetAsArray(iTextSharp.text.pdf.PdfName.ANNOTS); 
        if (annots != null) 
         foreach (PdfObject annot in annots.ArrayList) 
         { 

          //Get Annotation from PDF File 
          PdfDictionary annotationDic = (PdfDictionary)PdfReader.GetPdfObject(annot); 
          PdfName subType = (PdfName)annotationDic.Get(PdfName.SUBTYPE); 
          //check only subtype is highlight 
          if (subType.Equals(PdfName.HIGHLIGHT)) 
          { 
           // Get Quadpoints and Rectangle of highlighted text 
           Console.Write("HighLight at Rectangle {0} with QuadPoints {1}\n", annotationDic.GetAsArray(PdfName.RECT), annotationDic.GetAsArray(PdfName.QUADPOINTS)); 

           //Extract Text using rectangle strategy  
           PdfArray coordinates = annotationDic.GetAsArray(PdfName.RECT); 

           Rectangle rect = new Rectangle(float.Parse(coordinates.ArrayList[0].ToString(), CultureInfo.InvariantCulture.NumberFormat), float.Parse(coordinates.ArrayList[1].ToString(), CultureInfo.InvariantCulture.NumberFormat), 
           float.Parse(coordinates.ArrayList[2].ToString(), CultureInfo.InvariantCulture.NumberFormat),float.Parse(coordinates.ArrayList[3].ToString(), CultureInfo.InvariantCulture.NumberFormat)); 



           RenderFilter[] filter = { new RegionTextRenderFilter(rect) }; 
           ITextExtractionStrategy strategy; 
           StringBuilder sb = new StringBuilder(); 


           strategy = new FilteredTextRenderListener(new LocationTextExtractionStrategy(), filter); 
           sb.AppendLine(PdfTextExtractor.GetTextFromPage(reader, i, strategy)); 

           //Show extract text on Console 
           Console.WriteLine(sb.ToString()); 
           //Console.WriteLine("Page No" + i); 

          } 



         } 



       } 
      } 
     } 
     catch (Exception ex) 
     { 
     } 
    }