C# i čitanje PDF-a

Što želiš točno postići? Ja sam radio Java applet koji između ostalog prikazuje PDF dokument. Koristio sam Sun-ov PDF Renderer i prikazuje mi uredno znakove (stranicu prikazujem kao sliku). Ako želiš kopati baš stringove u PDF-u, to je malo teži problem zbog načina spremanja stringova u PDF.

Evo ti par natuknica iz knjige iText in action:

18.2.2. Why iText doesn’t do text extraction:

"In reality, the different letters of the text can be drawn in any random order."

"Even if all the characters are in the right order, there may be kerning information between letters, adjusting the space between the letters so they look better"

"It’s possible for a PDF to have a font containing characters marked a, b, c, and so on, but for the shapes drawn in the PDF file for each character not to correspond with the glyphs a, b, and c"

"More likely, the PDF-generating software does this deliberately, such as when a large font is used but all the text can be shown using only 256 different glyphs. In this case, the software picks character names at random according to the glyphs that are used."

"Another possibility is that the text in the content stream consists of raw glyph indexes: the nth character of this font. You then have to write code that goes through the character mapping and is able to find the right letter."

Long story short: Čitati stringove možeš, ali što ćeš dobiti najviše ovisi o aplikaciji kojom je kreiran dokument. Vjerojatno je u tvom slučaju korištena aplikacija koja tekst bez specijalnih znakova ostavlja u najobičnijem stringu, ali ako detektira specijane znakove koristi drugačiji character mapping.

iTextSharp.dll (odnosno iText.jar ako radiš u javi) nema problema s pisanjem Hrvatskih znakova. Većina programa nema i ti znakovi se uredno prikazuju u reader-u, ali pročitati string u onom obliku u kojem se pokazuje na stranici može biti ekstremno teško zbog razloga koji su navedeni u mom prethodnom postu.

Zamolio bi @tnakir i @Programko da vidite pa javite možete li čitati hrvatske znakove iz PDF-a. Iako sumnjam da će uspjeti jer ima istine u onom što je @MrBlc rekao.

Nema flattanje veze s tim. Flattanje se odnosi na forme koje nakon flattanja prestaju biti interaktivni elementi. Obično optimizacija dokumenta presloži tekst na način da je prikladniji za djelomično učitavanje, pa zna stringove izmiješat, a možda i promijenit kodiranje i character mapping ako može postići manju veličinu datoteke.

Glavno pitanje je namjena programa za vađenje teksta. Ako se radi o zatvorenom sustavu u kojem se dokumenti kreiraju i samo iz takvih dokumenata treba vadit tekst, onda bi se moglo poraditi nakonverziji u PDF i osigurati što jednostavniji način spremanja stringova u svrhu lakšeg vađenja, ali u tom slučaju PDF nije idealan izbor osim ako ne postoji neki stvarno opravdani razlog. U generalnom slučaju, treba pokriti sve mogućnosti, a to je ogroman zahvat.

Mi u firmi koristimo isti taj dll i nismo imali nikakvih problema do sada!

Pa po onome što sam ja vidio - da! Imamo hrpetinu nekih ugovora i koječega, sve izgleda OK!