在 C# 中从 itext.layout.element 中提取属性

Question

目前，我正在开展一个项目，使用 itext 为 pdf 生成 Table 内容我拥有的是一个元素列表 (itext.layout.Element objects)。

我创建了一个字典用于存储（章节标题和起始页码）。我想考虑

<p class="Heading2ANOC" > Class 为 Heading2ANOC 的段落是章节标题

我的代码：

var toc = new Dictionary<string,int>();
foreach (IElement element in elements)
{
    Console.WriteLine(element.GetType().Name);
    if (element.GetType().Name == "HtmlPageBreak")
    {
        continue;
    }

    else if (element.GetType().Name == "Paragraph")//need a method to check wheather the class is "Heading2ANOC" {

        int count=pdf.GetNumberOfPages();
        toc.Add("section" + i, count);// 
        i++;

    }
   document.Add((IBlockElement)element);
}

我正在使用以下代码获取元素：

string path = "path for the Html";
string html = File.ReadAllText(path);
IList<IElement> elements = HtmlConverter.ConvertToElements(html);

示例 Html 元素：

<div style="mso-element: para-border-div; border: solid #A6A6A6 2.25pt; padding: 3.0pt 4.0pt 3.0pt 4.0pt; background: #D9D9D9;">
<p class="Heading2ANOC"><span style="mso-bookmark: _Toc190800487;"><span style="mso-bookmark: _Toc377720650;"><span style="mso-bookmark: _Toc396995390;"><span style="font-size: 11.0pt; font-family: 'Open Sans',sans-serif; color: black; mso-color-alt: windowtext;">SECTION 1 <span style="mso-tab-count: 1;">&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; </span>Name of the section</span></span></span></span></p>
</div>

Answer 1

与您现在采用的方法相比，有一种更简洁（也更灵活）的方法来处理任务，但它需要编写更多代码。幸运的是，代码非常基础。

要了解需要自定义的内容，您需要稍微了解一下 pdfHTML 的工作原理。粗略的说就是按DFS顺序遍历DOM树，将DOM树转化为元素树。每个标签都由标签工作者遍历，标签工作者生成一个元素作为结果。这些元素足够灵活，可以包含任何自定义属性（只要您使用 iText 未使用的唯一属性 ID），因此您可以在标记工作器中设置这些属性并在以后使用它们。在这种情况下，您想传递 class property/attribute.

首先，让我们创建一个派生自 PTagWorker 的自定义标签工作者，它将处理 HTML 中的所有段落并设置一个自定义属性:

public static readonly int CUSTOM_PROPERTY_ID = -10;

private class CustomPTagWorker : PTagWorker {
    public CustomPTagWorker(IElementNode element, ProcessorContext context) : base(element, context) {
    }

    public override void ProcessEnd(IElementNode element, ProcessorContext context) {
        base.ProcessEnd(element, context);
        IPropertyContainer elementResult = GetElementResult();
        if (elementResult != null && !String.IsNullOrEmpty(element.GetAttribute(AttributeConstants.CLASS))) {
            elementResult.SetProperty(CUSTOM_PROPERTY_ID, element.GetAttribute(AttributeConstants.CLASS));
        }
    }
}

然后我们需要以某种方式使用该标签工作者 - 为此我们创建了一个自定义标签工作者工厂：

private class CustomTagWorkerFactory : DefaultTagWorkerFactory {
    public override ITagWorker GetCustomTagWorker(IElementNode tag, ProcessorContext context) {
        if (TagConstants.P.Equals(tag.Name().ToLower())) {
            return new CustomPTagWorker(tag, context);
        }
        return base.GetCustomTagWorker(tag, context);
    }
}

我们现在需要做的就是让 pdfHTML 通过在转换器属性中传递自定义标签工作者来了解这些自定义：

ConverterProperties properties = new ConverterProperties().SetTagWorkerFactory(new CustomTagWorkerFactory());

为了测试它，我们可以遍历元素并检查是否存在我们的自定义属性（而不是检查类的名称）：

String html = "<p class=\"Heading2ANOC\">hello</p><p>world</p>";
ConverterProperties properties = new ConverterProperties().SetTagWorkerFactory(new CustomTagWorkerFactory());
IList<IElement> elements = HtmlConverter.ConvertToElements(html, properties);
foreach (IElement element in elements)
{
    if (element.HasProperty(CUSTOM_PROPERTY_ID)) {
        String propertyValue = element.GetProperty<String>(CUSTOM_PROPERTY_ID);
        Console.WriteLine(propertyValue);
    }
}

请记住，对于元素相互嵌套的更复杂 HTML，您可能希望以不同的方式执行最终分析，例如

foreach (IElement element in elements)
{
    if (element is AbstractElement<Div>) {
        var children = (element as AbstractElement<Div>).GetChildren();
        // analyze children
    }
}

在 C# 中从 itext.layout.element 中提取属性

Attribute extraction from itext.layout.element in c#

c#

itext

itext7