NONG PDFPIG

【参考归档 · 已退役】 —— 本包为 Nong 早期对 UglyToad/PdfPig 的 fork，已被自研解析器 Nong.Pdf.Parse 全面替代，仅作历史参考，不再维护

它解决什么问题 · 快速开始 · 我们的增强 · 上游同步 · 技术栈 ·

退役声明

本包是 Nong 项目 2026 年早期的 PDF 读取底座（fork 自 UglyToad/PdfPig）。自研解析器 Nong.Pdf.Parse 落地后，本包于 2026-08 完成四期退役，PDF 板块全部消费方已切换至 Nong.Pdf.Parse。本仓此后仅作参考归档：保留了 fork 期间的增强（表格识别、批注、矢量路径导出等）与上游同步历史，可供查阅 ISO 32000 解析的工程实现细节；不接受功能变更，不跟进上游。

它解决什么问题（历史）

PDF 没有结构（不像 docx/xlsx/pptx 是 XML），只能靠解析引擎按 ISO 32000 标准把页面内容（文字/图片/矢量路径/批注）读出来。Nong 项目不重写 PDF 引擎（重新实现 ISO 32000 是几十万行的无底洞），直接 fork 上游 PdfPig 做底座，把 Nong 需要的增强加进去。

• fork 自 UglyToad/PdfPig（上游 15 万行，只加不删，跟上游同步）
• 读 PDF 的底层能力：文字块（带坐标/字体/字号）、图片（PNG/JPEG 原始字节）、表格（Nong 增强）、批注、矢量路径（WriteSvg 导出）
• Convert 的 PDF 读取靠它：Nong.Convert 的 PDF 读取器是薄层，底层全在这

快速开始

环境要求

• .NET 10（net10.0）
• 上游同步时 LangVersion 跟上游（12→13）

构建

dotnet build Nong.PdfPig/Nong.PdfPig.csproj

最简单的用法

using UglyToad.PdfPig;

using (PdfDocument document = PdfDocument.Open(@"文件.pdf"))
{
    foreach (Page page in document.GetPages())
    {
        // 文字块（带坐标/字体/字号，段落还原用 ContentOrderTextExtractor）
        var 词 = page.GetWords();
        // 图片（TryGetPng/JPEG 原始字节）
        // 批注（Page.GetAnnotations()）
    }
}

建议用 ContentOrderTextExtractor.GetText(page) 还原段落，不要直接用 page.Text（它保留内部内容顺序，基本不是你要的阅读顺序）。

我们的增强

增强	位置	说明
表格识别 TableExtractor	DocumentLayoutAnalysis/TableExtractor.cs	无框表格启发式识别（列边界聚类 + 线检测），54 真实样本校准；上游没有表格识别模块（只有版面分块），这是 Nong 自己的生产模块
WriteSvg 矢量导出	PdfPig 现成一级接口	矢量路径（IPathCommand）→ SVG，Convert 用它把 PDF 化学结构式存成 资源/图形N.svg
段落还原	ContentOrderTextExtractor	完整句子 + 双换行拆段（Convert 阶段五 v2 实测胜出 RecursiveXYCut）
化学式几何	页读取薄层	闭合路径数/键线/曲线/原子符号（Convert 侧，底层是 WriteSvg）

fork 纪律：fork 只加不删（删上游文件破坏 merge）；上游同步 1-2 月一次（merge → csproj 全 --ours → LangVersion 跟上 → build → 四格式回归 → pack 覆盖 NuGet 缓存 → push）。

上游同步

跟 UglyToad/PdfPig 同步（2026-08-09 首次同步 8 commits）：

git fetch upstream && git merge upstream/master
# csproj 全 --ours（保留我们的打包配置）
# LangVersion 跟上游（12→13）
# build → 四格式回归 → pack 覆盖 NuGet 缓存 → push

上游自己也没有表格识别——Nong 的 TableExtractor 就是正生产车（fork 只加不删，删上游文件破坏 merge）。

技术栈

• .NET 10（net10.0）
• ISO 32000（PDF 标准，PdfPig 实现）
• 上游：UglyToad/PdfPig（MIT）
• NuGet 包名：Nong.PdfPig（1.1.0，含 TableExtractor，Convert 引 NuGet 包不是源码）