将 PDF 文件解析到内存并执行搜索特定值

Question

我对整个 C# 事物相当陌生，并尝试以更实用的方式学习它以收集更多兴趣和理解。我有一个正在解析 PDF https://slicedinvoices.com/pdf/wordpress-pdf-invoice-plugin-sample.pdf 文件并且运行良好的代码。但是我想写入内存而不是控制台，以便稍后从中搜索 InvoiceNumber。

我当前写入控制台的代码：

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
using System;
using System.Collections.Generic;
using System.IO;
using System.Text;

namespace PDF_file_reader
{
    class Program
    {
        static void Main(string[] args)
        {

            List<int> InvoiceNumbers = new List<int>();

            string filePath = @"C:\temp\parser\Invoice_Template.pdf";
            int pagesToScan = 2;

            string strText = string.Empty;
            try
            {
                PdfReader reader = new PdfReader(filePath);

                for (int page = 1; page <= pagesToScan; page++) //(int page = 1; page <= reader.NumberOfPages; page++) <- for scanning all the pages in A PDF
                {
                    ITextExtractionStrategy its = new LocationTextExtractionStrategy();
                    strText = PdfTextExtractor.GetTextFromPage(reader, page, its);

                    strText = Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(strText)));
                    //creating the string array and storing the PDF line by line
                    string[] lines = strText.Split('\n');
                    foreach (string line in lines)
                    {
                        {
                            //Console.WriteLine($"<{line}>");
                            Console.WriteLine(line.ToString());
                        }
                    }

                    Console.Read();
                }

            }
            catch (Exception ex)
            {
                Console.Write(ex);
            }
        }
    }
}

这是控制台中的输出：

如何将我现在正在做的事情写入 InvoiceNumbers 列表而不是控制台并从中执行搜索？我想用我当前的设置搜索是不可能的？

Answer 1

请注意，在围绕 Console.Writeline() 的 foreach 循环中有一组额外的 { }，您可以将其删除。

如果您想存储在屏幕截图中突出显示的整个发票编号（"INV-3337" 而不仅仅是“3337”），InvoiceNumbers 需要是字符串列表，而不是整数.

我假设发票总是相同的，或者数字总是相同的格式（即 "Invoice Number 'INV-####"），您可以在 foreach 中添加一行环形。由于每个 line 都是一个字符串，您可以检查 line 是否包含 "Invoice Number"。如果是，您可以将其添加到 InvoiceNumbers 并删除短语 "Invoice Number"。然后 trim 它去掉任何空格。高于或低于 Console.Writeline(line.ToString()); 您只需添加：

if (line.Contains("Invoice Number"))
    InvoiceNumbers.Add(line.Replace("Invoice Number", "").Trim());

（我使用 Replace() 而不是 Remove() 因为您需要知道要删除的短语的开始和结束位置。在我看来，Replace() 是这种特殊情况下最安全的路线）

您可以将 break; 添加到 if 语句中，如果这也是您要查找的全部内容。这将停止 foreach 循环。一旦您提取了发票编号，就没有理由查看文档的其余部分，除非您在一个文档中有多个发票。

if (line.Contains("Invoice Number"))
{
    InvoiceNumbers.Add(line.Replace("Invoice Number", "").Trim());
    break;
}

如果您想在列表中搜索特定发票编号，this answer 应该会有所帮助。

这是假设唯一的区别是实际数字。如果不是，您可以随时查看 regular expressions 并让它寻找像 "INV-\d*" 这样的模式。这也假设发票编号格式始终相同。

将 PDF 文件解析到内存并执行搜索特定值

Parse PDF file to memory and perform search for certain value

c#

itext