如何使用ItextSharp检测上标？

Question

Hy

我正在使用ITextSharp来解析pdf文件到文本输出。 我想知道如果我可以捕捉如果PDF包含下标或上标，有谁知道如何使用ITextSharp或其他库在PDF中的正常字符和上标之间的区别？

感谢

Answer 1

声明：我实际上没有任何确凿证据的情况，但...

我希望超/标是相同的正常文本。它是相同的字体，只是更小。如果碰巧与其他文本位于同一行，则超级/子级脚本会被提升和降低 - 但是您将无法使用某种明确的元标记以面向布局的格式（如PDF）检测到该元标记。

换句话说，我想猜想您需要通过启发式识别超级/下标：找到与“同一”行上的其他文本相比更小并且垂直移动的文本。这是否容易做到这一点取决于PDF创建者和ITextSharp的细节，因为即使识别“行”也不一定是直截了当的。

Answer 2

你将不得不在这里实现一些自定义逻辑。 PDF中没有标记表示上标/下标，它只是坐在不同的基线上。在这种情况下，您将不得不记下您的基线（以及您的身高）。 一些快速的伪代码：

//input -> curText 
    if(curText.Baseline > previousText.Baseline && 
     curText.Baseline < (prevText.Baseline + prevText.Height)) 
    { 
     // This is most likely superscript // 
    } 
    else if(curText.Baseline < previousText.Baseline && 
     prevText.Baseline < (curText.Baseline + curText.Height)) 
    { 
     // This is most likely subscript // 
    } 
    else 
    { 
     // This is probably normal text // 
    } 

此解决方案要求你组织一个PDF文件的彻底无组织的性质。在过去，我使用了一个自定义类的列表<>，用于将给定y坐标的所有文本组织到数组中。使用这样的东西，您可以在绘画或以其他方式传输它们之前，比较单独的线条，并对他们做任何可能需要的工作。