c#实现将pdf转文本的示例分享

时间：2021-11-18 14:11:19|栏目：.NET代码|点击：次

如何解析PDF文件

在.NET中从PDF文件里提取文本的几种主要方法有:

1、Microsoft 的 IFilter 接口和 Adobe 的 IFilter 实现；

2、iTextSharp；

3、PDFBox。

不幸的是这些 PDF 解析方案都不完美。我们将在下面讨论这些方法。

Adobe PDF IFilter

为了使用 IFilter 接口来解析 PDF 文件，你需要：

Windows 2000 或者后续版本

Adobe Acrobat 或 Reader 7.0.5+ (或单独的 Adobe PDF IFilter [adobe.com])

IFilter COM 封装类 [dotlucene.net]

样例代码：

复制代码代码如下:

 
using IFilter;
 
public static string ExtractTextFromPdf(string path) {
 
  return DefaultParser.Extract(path); 
 
}

缺点：

使用了不可靠的 COM 互操作来处理 IFilter 接口 (并且组合 IFilter COM、 Adobe PDF IFilter 特别麻烦)。

需要在目标系统上单独安装 Adobe IFilter。如果你需要对其它人发布可索引的解决方案，会很痛苦。

iTextSharp
iTextSharp（http://sourceforge.net/projects/itextsharp/）是一个 Java 的PDF 操作库iText（http://itextpdf.com/）的.NET输出。它主要着眼于编辑PDF而不是阅读，但它当然也支持从PDF中提取文本（尽管有点大材小用）。

例程:

复制代码代码如下:

 
using iTextSharp.text.pdf;
 
using iTextSharp.text.pdf.parser;  
 
public static string ExtractTextFromPdf(string path)
 
{
 
  using (PdfReader reader = new PdfReader(path))
 
  {
 
    StringBuilder text = new StringBuilder();
 
    for (int i = 1; i <= reader.NumberOfPages; i++)
 
    {
 
        text.Append(PdfTextExtractor.GetTextFromPage(reader, i));
 
    }
 
    return text.ToString();
 
  }
 
}

信用证: 成员号 10364982

缺点：

需要许可证（如果你不喜欢 AGPL许可证的话）

PDFBox

PDFBox是另一个Java PDF类库。它同时也可以与原来的Java Lucene一同使用（参见LucenePDFDocument）。

幸运的是，PDFBox有一个使用IKVM.NET开发的.NET版本（只需访问PDFBox下载页）。

在.NET中使用PDFBox需要引用：

IKVM.OpenJDK.Core.dll

IKVM.OpenJDK.SwingAWT.dll

pdfbox-1.8.4.dll

并将下列文件复制到bin文件夹下：

commons-logging.dll

fontbox-1.8.4.dll

IKVM.OpenJDK.Util.dll

IKVM.Runtime.dll

使用PDFBox解析PDF十分简单：

复制代码代码如下:

 
using org.apache.pdfbox.pdmodel;
 
using org.apache.pdfbox.util; 
 
private static string ExtractTextFromPdf(string path)
 
{
 
  PDDocument doc = null;
 
  try {
 
    doc = PDDocument.load(path)
 
    PDFTextStripper stripper = new PDFTextStripper();
 
    return stripper.getText(doc);
 
  }
 
  finally {
 
    if (doc != null) {
 
      doc.close();
 
    }
 
  }
 
}