使用iTextSharp（C＃）从PDF中提取嵌入式XML
我需要使用C＃提取嵌入在破产法庭文件中的 XML数据。 在PDF Reader中，该文件看起来像一个典型的法庭文档。 在记事本中，XML隐藏在文本中。 我尝试使用SimpleTextExtractionStrategy使用此文本和另一个代码片段提取文本。 第一个结果是文件中没有来自PDF和第二个输出符号的可识别文本。 我也试过将它作为AcroField和Xfaform访问。 它似乎不是基于Watch窗口的那些。
通过Visual Studio中的代码，XML显示在Watch窗口中的PDFReader >> Catalog >> Keys >> Raw >> Non-Public Members >>字典下。 我不知道怎么做到这一点。 由于它与Watch中的其他PDFNames一起列出，我认为我可以通过PDFReader.Catalog.GetAsDict访问它，但它不会显示为PDFName。 这些文件的提供者有一个似乎只读取文本的Java应用程序。 不确定我是否需要使用不同的提取策略，或者直接访问包含XML的目录项。 我从来没有以编程方式使用PDF文件或iTextSharp，所以我很挣扎。 任何代码建议？
如果您可以与嵌入式XML共享PDF，将会有所帮助。 当我第一次阅读您的问题时，我认为XML将被添加为文档级附件（存储在EmbeddedFiles中）或作为附件注释（存储在Annot中添加到页面字典中）。
阅读uscourts.gov上的内容 ，看起来XML实际上是一个XMP流。 这意味着您可以在目录的元数据条目中找到它（或者可以在页面字典中）。
如果您无法共享该文件，则必须自己帮助。 您可以通过下载iText RUPS来完成此操作 。 它是一个查看PDF 内部的免费工具。
浏览树结构并查找Metadata ，查找EmbeddedFiles ，查找Annots 。 如果您没有告诉我们XML是如何嵌入的，那么没有人能够帮助您。
有关示例，请参阅我对以下问题的回答： 如何使用itext删除PDF的附件 （查看我如何使用RUPS查看目录>名称> EmbeddedFiles）。
额外说明：到目前为止，您尝试过的代码是从页面中提取文本，而不是提取嵌入PDF中的XML文件。
更新：
现在你已经共享了一个文件，我已经使用RUPS来查找XML文件了。 看看下面的截图：
你看到这里发生了什么吗？ 有人添加了一个名为/USCTbankruptcynotice的自定义条目，其中String作为值直接到目录。 这是错误的：将文件存储在字符串中是一个坏主意。 为什么开发人员不将该文件存储为流？ 雇用这样的开发人员的人我感到非常难过。
话虽这么说，这就是你如何提取XML：
PdfDictionary catalog = reader.Catalog; PdfName name = new PdfName("USCTbankruptcynotice"); PdfString USCTbankruptcynotice = catalog.GetAsString(key); string xml = USCTbankruptcynotice.ToString();
这是从记忆中写的。 如果您需要应用小修正，请更新我的答案。