c#完成將pdf轉文本的示例分享。本站提示廣大學習愛好者:(c#完成將pdf轉文本的示例分享)文章只能為提供參考,不一定能成為您想要的結果。以下是c#完成將pdf轉文本的示例分享正文
若何解析PDF文件
在.NET中從PDF文件裡提取文本的幾種重要辦法有:
1、Microsoft 的 IFilter 接口 和 Adobe 的 IFilter 完成;
2、iTextSharp;
3、PDFBox。
不幸的是這些 PDF 解析計劃都不完善。我們將鄙人面評論辯論這些辦法。
Adobe PDF IFilter
為了應用 IFilter 接口來解析 PDF 文件,你須要:
Windows 2000 或許後續版本
Adobe Acrobat 或 Reader 7.0.5+ (或零丁的 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);
}
缺陷:
應用了弗成靠的 COM 互操作來處置 IFilter 接口 (而且組合 IFilter COM、 Adobe PDF IFilter 特殊費事)。
須要在目的體系上零丁裝置 Adobe IFilter。假如你須要對其它人宣布可索引的處理計劃,會很苦楚。
iTextSharp
iTextSharp(http://sourceforge.net/projects/itextsharp/) 是一個 Java 的PDF 操作庫iText(http://itextpdf.com/) 的.NET輸入。它重要著眼於編纂PDF而不是浏覽,但它固然也支撐從PDF中提取文本(雖然有點年夜材小用)。
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();
}
}
信譽證: 成員號 10364982
缺陷:
須要允許證(假如你不愛好 AGPL允許證 的話)
PDFBox
PDFBox是另外一個Java PDF類庫。它同時也能夠與本來的Java Lucene一同應用(拜見LucenePDFDocument)。
榮幸的是,PDFBox有一個應用IKVM.NET開辟的.NET版本 (只需拜訪PDFBox下載頁)。
在.NET中應用PDFBox須要援用:
IKVM.OpenJDK.Core.dll
IKVM.OpenJDK.SwingAWT.dll
pdfbox-1.8.4.dll
並將以下文件復制到bin文件夾下:
commons-logging.dll
fontbox-1.8.4.dll
IKVM.OpenJDK.Util.dll
IKVM.Runtime.dll
應用PDFBox解析PDF非常簡略:
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();
}
}
}
編譯後的年夜小加起來差不多有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。
感激bobrien100供給的改良建議。
缺陷:
IKVM.NET依附 (18 MB)
速度(特別是IKVM.NET的啟動時光)