程式師世界 >> 編程語言 >> .NET網頁編程 >> C# >> C#入門知識 >> c#完成將pdf轉文本的示例分享

c#完成將pdf轉文本的示例分享

編輯：C#入門知識

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();
    }
}
}