Как на c# парсить pdf как сруктуру?

Question

[Евгений Елчев]

Интересует как парсить pdf не просто как гору текста, а как сруктуру. В частности чтение таблиц.

Answer 1

[ant99]

stackoverflow.com/questions/3424588/programmatically-extract-pdf-tables

Considering your requirement, Straight forward answer for your question would be it is quite not possible. The reason is, unlike word/excel, PDF specification does not have a object called Table. The table which you see in those PDF documents are just series of rectangle drawn in such a way that it looks like table and it is up to PDF Writer which created those PDF files, because some might draw table kind of structure using Series of Line.

Иными словами, спецификация PDF не поддерживает описание таблиц как объектов; таблицы в PDF представлены набором прямоугольных областей и линий. Можно создать собственный алгоритм, который по определённым признакам будет распознавать такой набор областей как таблицу, а можно использовать существующие библиотеки и утилиты, в которых это уже реализовано (приведены в последнем комментарии по ссылке).

Comments

[Евгений Елчев]

Значит 100% корректно прочитать эти документы не получиться. Спасибо.

Answer 2

[Zhbert]

Ну, для начала надо найти описание формата PDF, и потом толкаться уже от этого.

Comments

[Евгений Елчев]

Дело в том, что мне не нужно углубленное знание, достаточно просто корректно прочитать таблицу. Сейчас я разбираюсь с itextsharp, но все примеры показывают как прочитать его текст, и при чтении таблици пустые ячейки вообще никак не отображаются, что приводит к некоректному построению данных.