Question

我有大量的pdf文档，附有xml文件。我想提取那些附加的xml文件并读取它们。如何使用.net以编程方式执行此操作？

Answer 1

iTextSharp也能够提取附件......虽然您可能必须使用低级别对象来执行此操作。

有两种方法可以在PDF中嵌入文件：

在文件注释
在文档级别“EmbeddedFiles”。

从任一源获得文件规范字典后，文件本身将成为字典中标记为“EF”（嵌入文件）的流。

因此，要列出文档级别的所有文件，可以编写代码（使用Java）：

Map<String, byte[]> files = new HashMap<String,byte[]>();

PdfReader reader = new PdfReader(pdfPath);
PdfDictionary root = reader.getCatalog();
PdfDictionary names = root.getAsDict(PdfName.NAMES); // may be null
PdfDictionary embeddedFilesDict = names.getAsDict(PdfName.EMBEDDEDFILES); //may be null
PdfArray embeddedFiles = embeddedFilesDict.getAsArray(PdfName.NAMES); // may be null

int len = embeddedFiles.size();
for (int i = 0; i < len; i += 2) {
  PdfString name = embeddedFiles.getAsString(i); // should always be present
  PdfDictionary fileSpec = embeddedFiles.getAsDict(i+1); // ditto

  PdfDictionary streams = fileSpec.getAsDict(PdfName.EF);
  PRStream stream = null;

  if (streams.contains(PdfName.UF))
    stream = (PRStream)streams.getAsStream(PdfName.UF);
  else
    stream = (PRStream)streams.getAsStream(PdfName.F); // Default stream for backwards compatibility

  if (stream != null) {
    files.put( name.toUnicodeString(), PdfReader.getStreamBytes((PRStream)stream));
  }
}

Answer 2

这是一个老问题，尽管如此，我认为我的替代解决方案（使用PDF Clown）可能会引起一些兴趣，因为它更清晰（更完整，因为它在文档和页面级别都进行了迭代））比之前提出的代码片段：

using org.pdfclown.bytes;
using org.pdfclown.documents;
using org.pdfclown.documents.files;
using org.pdfclown.documents.interaction.annotations;
using org.pdfclown.objects;

using System;
using System.Collections.Generic;

void ExtractAttachments(string pdfPath)
{
  Dictionary<string, byte[]> attachments = new Dictionary<string, byte[]>();

  using(org.pdfclown.files.File file = new org.pdfclown.files.File(pdfPath))
  {
    Document document = file.Document;

    // 1. Embedded files (document level).
    foreach(KeyValuePair<PdfString,FileSpecification> entry in document.Names.EmbeddedFiles)
    {EvaluateDataFile(attachments, entry.Value);}

    // 2. File attachments (page level).
    foreach(Page page in document.Pages)
    {
      foreach(Annotation annotation in page.Annotations)
      {
        if(annotation is FileAttachment)
        {EvaluateDataFile(attachments, ((FileAttachment)annotation).DataFile);}
      }
    }
  }
}

void EvaluateDataFile(Dictionary<string, byte[]> attachments, FileSpecification dataFile)
{
  if(dataFile is FullFileSpecification)
  {
    EmbeddedFile embeddedFile = ((FullFileSpecification)dataFile).EmbeddedFile;
    if(embeddedFile != null)
    {attachments[dataFile.Path] = embeddedFile.Data.ToByteArray();}
  }
}

请注意您不必担心空指针异常，因为PDF Clown提供了所有必要的抽象和自动化，以确保平滑的模型遍历。

PDF Clown是一个LGPL 3库，在Java和.NET平台上实现（我是它的首席开发人员）：如果你想尝试一下，我建议你在sourceforge.net上查看它的SVN存储库因为它在不断发展。

Answer 3

在我看来，寻找ABCpdf - 图书馆，非常简单快捷。

Answer 4

我的工作与我在网上看到的任何其他内容略有不同。

所以，为了以防万一，我想我会在这里发帖来帮助别人。我不得不经历许多不同的迭代来弄清楚 - 艰难的方式 - 我需要它才能让它发挥作用。

我正在将两个PDF合并为第三个PDF，其中前两个PDF中的一个可能具有需要转移到第三个PDF中的文件附件。我在ASP.NET，C＃4.0，ITextSharp 5.1.2.0。

中完全使用流

        // Extract Files from Submit PDF
        Dictionary<string, byte[]> files = new Dictionary<string, byte[]>();

        PdfDictionary names;
        PdfDictionary embeddedFiles;
        PdfArray fileSpecs;
        int eFLength = 0;


        names = writeReader.Catalog.GetAsDict(PdfName.NAMES); // may be null, writeReader is the PdfReader for a PDF input stream
        if (names != null)
        {
            embeddedFiles = names.GetAsDict(PdfName.EMBEDDEDFILES); //may be null
            if (embeddedFiles != null)
            {
                fileSpecs = embeddedFiles.GetAsArray(PdfName.NAMES); //may be null
                if (fileSpecs != null)
                {
                    eFLength = fileSpecs.Size;

                    for (int i = 0; i < eFLength; i++)
                    {
                        i++; //objects are in pairs and only want odd objects (1,3,5...)
                        PdfDictionary fileSpec = fileSpecs.GetAsDict(i); // may be null
                        if (fileSpec != null)
                        {
                            PdfDictionary refs = fileSpec.GetAsDict(PdfName.EF);
                            foreach (PdfName key in refs.Keys)
                            {
                                PRStream stream = (PRStream)PdfReader.GetPdfObject(refs.GetAsIndirectObject(key));

                                if (stream != null)
                                {
                                    files.Add(fileSpec.GetAsString(key).ToString(), PdfReader.GetStreamBytes(stream));
                                }
                            }
                        }
                    }
                }
            }
        }

Answer 5

您可以尝试Aspose.Pdf.Kit for .NET。 PdfExtractor类允许您使用两种方法提取附件：ExtractAttachment和GetAttachment。请参阅example of attachment extraction。

披露：我在Aspose担任开发人员传播者。

如何从pdf文件中提取附件？

5 个答案: