用itextsharp读取pdf的问题...

[TimLeaf]

上接帖子：http://topic.csdn.net/u/20081103/15/5120d0ec-a218-49d7-9793-6b5ec5291aa9.html
http://www.fdydo.co.jp/sikyo/yasai.pdf
这个pdf文件里面包含了一个table...我想读取它其中的部分数据...

现在遇到的问题是：
PdfReader reader = new PdfReader(path);
byte[] bs = reader.GetPageContent(1);
我把这个bs写到记事本中得到以下数据：

q
1 g
0 0 595.200 841.800 re f
Q
q
1 g
/GS0 gs
57.120 399.682 296.160 32.280 re f
Q
q
1 g
/GS0 gs
409.800 303.202 45 16.200 re
...

这样的数据不知道该如何编码才能使正常的字符串...
而且最好包含一些格式符...这样可以来选择所需要的列...

[tete]

可以考虑把他转换成别的格式在处理

[TimLeaf]

[Quote=引用 1 楼 tete 的回复:]
可以考虑把他转换成别的格式在处理
[/Quote]
编码问题啊...怎么转换啊？详细说明下...

[bobob]

()内的是文本
BT是文本开始标志，自己解析吧

[xlg888]

换成UTF-8的格式估计就可以了吧,愚见!!

[gongsun]

晕，默哀下...

[TimLeaf]

[Quote=引用 3 楼 bobob 的回复:]
()内的是文本
BT是文本开始标志，自己解析吧
[/Quote]
我怎么没在读出来的里面看见这种符号呢...

[TimLeaf]

[Quote=引用 4 楼 xlg888 的回复:]
换成UTF-8的格式估计就可以了吧,愚见!!
[/Quote]

不行...试过了...仿佛是乱码...

[qinhl99]

up

[阳光彩虹小白马嘀嘀哒嘀嘀嗒]

学习

帮顶

[JGood]

我记得在以前用itestsharp的时候, 如果要使其支持中文, 必须要加一个字体文件
那么在读取pdf的时候, 是不是也要加个字体文件

[TimLeaf]

[Quote=引用 12 楼 gogogo 的回复:]
你的PDF文件要下载一个10M日文字体，太大了，看不到，你要不给个普通的pdf，要不把你看到的列表里边的内容贴出来大家看看，再和你的程序结果比较下。
[/Quote]
对了...你帮忙提供一下那个10M的字体是什么字体吗？
以下是图片：

[mjjzg]

路过，顶一下，以表支持

[bobob]

很多时候，字串是在stream对象里面的，经过压缩的，直接看不到内容。一般是用flate算法压缩

要提取数据是很麻烦的事情，对于cjk字体，如果没有内嵌的话，都需要借助外部编码表来解析，而不是字体文件

[qhdrenzhijie]

不会.路过

[gogogo]

看了你的帖子，又仔细在网上查找资料研究了一下午，最后得出如下结论（不敢保证一定正确，但是敢保证95%的结论正确）

itext目前只能做到新建一个文挡，往里边添加你想象的内容都可以，添加一些如作者等的原信息或者水印页码到现有文档（其实是读取原文档，然后原样复制一个，然后添加一些信息或者添加新页，或者整页删除），具体内容如文本、图片、表格等是不能进行比较容易的读取和修改的。
目前除了一些收费的sdk，可能xpdf库可以做到文本提取，但是也仅仅是提取文本，好像也不能把格式等信息取出（这方面信息看的少，还不能完全确认）。

LZ读到的信息是正确的，不过是加密的，没有解密看不懂信息的。

提供一个itext原作者的一个文章iText PDF概述，这个文章所在网站，资料也是比较全的，建议多看看。

说明下自己一下午研究后的感觉，其实懂了html就可以理解为什么itext主要侧重生成PDF文档的功能，却不做PDF文档的阅读器的功能，其实PDF文档也有自己的文档格式，如同HTML文件有自己的文档格式一样，只不过这些格式是文本的可读的标记“<>”以内的东西，而PDF文档是二进制的不可读的加密的标记，其实东西类似，所以我们来看我们如果要做个生成HTML文档的程序相对容易（我知道多少HTML标记用多少好了，不需要全部了解，而且只要大脑想象显示的样子就可以了），但是如果解析HTML文档，甚至还要显示HTML文档，就很难了，也就是为什么IE这样的浏览器不是任何人都轻易可以做的，但是懂点HTML知识的人都能生成一个HTML文档，当然有的人做的高级有的做的简单，一个道理，分析PDF文档的标记并显示难度很大的。

结论，LZ还是不要想着修改PDF文档具体内容了，如果加水印页码之类的，倒是没问题，如果非要完成你的要求，估计只有花钱找公司的SDK来开发或者转包了。

[TimLeaf]

[Quote=引用 10 楼 JGood 的回复:]
我记得在以前用itestsharp的时候, 如果要使其支持中文, 必须要加一个字体文件
那么在读取pdf的时候, 是不是也要加个字体文件
[/Quote]
呵呵...怎么加呢...前辈指教~

[gogogo]

你的PDF文件要下载一个10M日文字体，太大了，看不到，你要不给个普通的pdf，要不把你看到的列表里边的内容贴出来大家看看，再和你的程序结果比较下。

[TimLeaf]

搞不定...
揭帖...

[TimLeaf]

PDF为了识别所有的字符，给每一个文字都赋予一个唯一的编码，叫CID。

然后又提供了不同的字体编码与CID的Map文件和CID和Unicode的Map文件。参照Resources\cmap\00_readme.pdf文件，就可以知道这些文件是什么。

一般的PDF文件中文字转换方法应该是从PDF文件解析出来字体名称和文字编码后，从对应的CMap文件中找到该文字编码对应的CID。然后再根据CID从CID和Unicode的Map文件找到对应的Unicode。

PDFBox不能正常转换中文的原因就在于，CMapParser Class没有解析begincidrange(不同的字体编码与CID对照表)一节， 也没有参照CID和Unicode Map文件进行转换，这是一个Bug。

昨天又找到了这样一段...
现在觉得希望确实渺茫啊...
昨天找到了别人做的一个软件...Solid Converter PDF...
可以完美转换..."pdf to word" or "pdf to excel"
继续研究一下...

[zlb_long]

哪个版本可以识别中文啊iTextSharp