如何解决在C#中阅读OCR之前的PDF
我正在尝试使用iTextSharp读取已经由另一个程序进行OCRd的PDF。 PDF中的文本基本上是一个表格。我可以使用以下方法成功获取文本:
public static string ExtractTextFromPdf(string path)
{
using (PdfReader reader = new PdfReader(path))
{
StringBuilder t = new StringBuilder();
for(int i = 1; i <= reader.NumberOfPages; i++)
{
t.Append(PdfTextExtractor.GetTextFromPage(reader,i,new SimpleTextExtractionStrategy()));
}
return t.ToString();
}
}
但是,从此方法返回的文本是在看起来很奇怪的地方插入换行符。例如,以下是PDF的摘录:
当我在foxit阅读器中打开此pdf文件并以文本形式查看时,“ FULE DATE”和“ SUBCATEGORY”在同一“水平行”上。但是,在使用iTextSharp时,它会在“ FULE DATE”之后放置换行符\n
,如下所示:
FULE DATE\nSUBCATEGORY
这是为什么?
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。