c# - Attribute extraction from itext.layout.element in c#
问题描述
Currently, I am working on a project to generate a Table of Content for pdf using itext What I have is a list of elements (itext.layout.Element objects).
I have created a dictionary< string, int> where we store (chapter title and start page number). I want to consider
<p class="Heading2ANOC" >
paragraphs whose Class is Heading2ANOC are chapters title
Mycode :
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);
}
I am getting Elements by using follwing code :
string path = "path for the Html";
string html = File.ReadAllText(path);
IList<IElement> elements = HtmlConverter.ConvertToElements(html);
example Html element:
<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;"> </span>Name of the section</span></span></span></span></p>
</div>
解决方案
与您现在采用的方法相比,有一种更简洁(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。
要了解需要定制的内容,您需要了解 pdfHTML 的工作原理。粗略地说,就是按照 DFS 顺序遍历 DOM 树,将 DOM 树转换为元素树。每个标签都由一个标签工作者遍历,并且该标签工作者产生一个元素作为结果。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),因此您可以在标签工作者中设置这些属性并稍后使用它们。在这种情况下,您想要传递class
属性/属性。
首先,让我们创建一个自定义标签工作者,从它派生PTagWorker
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通过在转换器属性中传递自定义标签工作者来让 pdfHTML 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我们的自定义属性是否存在(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的 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
}
}
推荐阅读
- python - pySerial serial.open() 在交互式 shell 中工作,但作为脚本引发异常
- javascript - 如何对电容器项目进行单元测试?
- ios - 构建错误 - 目标操作系统版本不支持使用线程局部变量
- c# - 在 Dot Net Standard 2 中,一些枚举具有重复值。为什么?
- python - 截取窗口的最快方法
- c# - 如何在不使用邮件正文的情况下比较电子邮件?
- r - 在R中将pcre REGEX转换为ICU REGEX
- java - 从表视图和 sql 中删除数据
- php - 如何使用 yii2-dektrium facebook 登录将 access_token 保存到数据库?
- javascript - 在点击刷新时,在我的 html 表单页面上自动填充最后一个搜索结果时出现问题,仅使用 javascript 和本地存储