c#實(shí)現(xiàn)將pdf轉(zhuǎn)文本的示例分享

2020-01-24 02:45:26

字體：大中小

來源：轉(zhuǎn)載

供稿：網(wǎng)友

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:

1、Microsoft 的 IFilter 接口和 Adobe 的 IFilter 實(shí)現(xiàn)；

2、iTextSharp；

3、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：

復(fù)制代碼代碼如下:

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。如果你需要對其它人發(fā)布可索引的解決方案，會很痛苦。

iTextSharp
iTextSharp（http://sourceforge.net/projects/itextsharp/）是一個 Java 的PDF 操作庫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:

復(fù)制代碼代碼如下:

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();
  }
}

信用證: 成員號 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Java PDF類庫。它同時也可以與原來的Java Lucene一同使用（參見LucenePDFDocument）。

幸運(yùn)的是，PDFBox有一個使用IKVM.NET開發(fā)的.NET版本（只需訪問PDFBox下載頁）。

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十分簡單：

復(fù)制代碼代碼如下:

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();
    }
  }
}

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)