C# 實(shí)現(xiàn)將 PDF 轉(zhuǎn)文本的功能
2018-07-20 來源：編程學(xué)習(xí)網(wǎng)
更新
2014年2月27日： 這篇文章最初只描述使用 PDFBox 來解析PDF文件。現(xiàn)在它已經(jīng)被擴(kuò)展到包括使用 IFilter 和 iTextSharp 的例程了。
這篇文章和對(duì)應(yīng)的Visual Studio項(xiàng)目已經(jīng)更新到目前最新的 PDFBox 版本（1.8.4）�？梢詮� http://www.squarepdf.net/how-to-convert-pdf-to-text-in-net-sample-project/ 下載包含所有依賴內(nèi)容的完整項(xiàng)目（要消除依賴關(guān)系有點(diǎn)棘手）。
如何解析 PDF 文件
在.NET中從PDF文件里提取文本的幾種主要方法有:
-
Microsoft 的 IFilter 接口 和 Adobe 的 IFilter 實(shí)現(xiàn)；
-
iTextSharp；
-
PDFBox。
不幸的是這些 PDF 解析方案都不完美。我們將在下面討論這些方法。
Adobe PDF IFilter
為了使用 IFilter 接口來解析 PDF 文件，你需要：
-
Windows 2000 或者后續(xù)版本
-
Adobe Acrobat 或 Reader 7.0.5+ (或單獨(dú)的 Adobe PDF IFilter [adobe.com])
-
IFilter COM 封裝類 [dotlucene.net]
樣例代碼：
using IFilter;
// ...
public static string ExtractTextFromPdf(string path) {
return DefaultParser.Extract(path);
}
缺點(diǎn)：
-
使用了不可靠的 COM 互操作來處理 IFilter 接口 (并且組合 IFilter COM、 Adobe PDF IFilter 特別麻煩)。
-
需要在目標(biāo)系統(tǒng)上單獨(dú)安裝 Adobe IFilter。如果你需要對(duì)其它人發(fā)布可索引的解決方案，會(huì)很痛苦。
iTextSharp
iTextSharp（http://sourceforge.net/projects/itextsharp/） 是一個(gè) Java 的PDF 操作庫(kù) iText（http://itextpdf.com/） 的.NET輸出。它主要著眼于編輯PDF而不是閱讀，但它當(dāng)然也支持從PDF中提取文本（盡管有點(diǎn)大材小用）。
例程:
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();
}
}
信用證: 成員號(hào) 10364982
缺點(diǎn)：
-
需要許可證（如果你不喜歡 AGPL許可證 的話）
PDFBox
PDFBox是另一個(gè)Java PDF類庫(kù)。它同時(shí)也可以與原來的Java Lucene一同使用（參見LucenePDFDocument）。
幸運(yùn)的是，PDFBox有一個(gè)使用IKVM.NET開發(fā)的.NET版本 （只需訪問PDFBox下載頁(yè)）。
在.NET中使用PDFBox需要引用：
-
IKVM.OpenJDK.Core.dll
-
IKVM.OpenJDK.SwingAWT.dll
-
pdfbox-1.8.4.dll
并將下列文件復(fù)制到bin文件夾下：
-
commons-logging.dll
-
fontbox-1.8.4.dll
-
IKVM.OpenJDK.Util.dll
-
IKVM.Runtime.dll
使用PDFBox解析PDF十分簡(jiǎn)單：
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();
}
}
}
編譯后的大小加起來差不多有18MB：
-
IKVM.OpenJDK.Core.dll (4 MB)
-
IKVM.OpenJDK.SwingAWT.dll (6 MB)
-
pdfbox-1.8.4.dll (4 MB)
-
commons-logging.dll (82 kB)
-
fontbox-1.8.4.dll (180 kB)
-
IKVM.OpenJDK.Util.dll (2 MB)
-
IKVM.Runtime.dll (1 MB)
速度還可以：解析U.S. Copyright Act PDF (5.1 MB)文件用了13秒。
感謝bobrien100提供的改進(jìn)建議。
缺點(diǎn)：
-
IKVM.NET依賴 (18 MB)
-
速度（尤其是IKVM.NET的啟動(dòng)時(shí)間）
相關(guān)信息
-
在SquarePDF.NET上可以看到本文（和后續(xù)更新）。
原文地址：http://www.codeproject.com/Articles/12445/Converting-PDF-to-Text-in-C
標(biāo)簽： 代碼
版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。
