脚本之家 服务器常用软件
快捷导航
您的位置：首页 → 软件编程 → C#教程 → pdf转文本

c#实现将pdf转文本的示例分享

 更新时间：2014年03月10日 15:20:36   作者：  
这篇文章主要介绍了c#实现将pdf转文本的示例,需要的朋友可以参考下

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();
    }
  }
}

编译后的大小加起来差不多有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)

速度还可以：解析U.S. Copyright Act PDF (5.1 MB)文件用了13秒。

感谢bobrien100提供的改进建议。

缺点：

IKVM.NET依赖 (18 MB)

速度（尤其是IKVM.NET的启动时间）

您可能感兴趣的文章:

相关文章

  • C#隐藏控制台键盘输入的方法

    C#隐藏控制台键盘输入的方法

    这篇文章主要介绍了C#隐藏控制台键盘输入的方法,涉及C#针对系统底层调用的相关技巧,非常具有实用价值,需要的朋友可以参考下
    2015-04-04
  • c# 使用计时器和观察者模式实现报警推送需求

    c# 使用计时器和观察者模式实现报警推送需求

    这篇文章主要介绍了c# 使用计时器和观察者模式实现报警推送需求，文中示例代码非常详细，帮助大家更好的理解和学习，感兴趣的朋友可以了解下
    2020-07-07
  • Unity3D选择本地图片并加载

    Unity3D选择本地图片并加载

    这篇文章主要为大家详细介绍了Unity3D选择本地图片并加载，文中示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
    2019-07-07
  • C#异常处理的技巧和方法

    C#异常处理的技巧和方法

    在本篇文章里小编给大家整理了关于C#异常处理的技巧和方法以及相关知识点，需要的朋友们学习下。
    2019-03-03
  • c# 删除所有的空文件夹的小例子

    c# 删除所有的空文件夹的小例子

    c# 删除所有的空文件夹的小例子，需要的朋友可以参考一下
    2013-03-03
  • C#通过Builder模式造车

    C#通过Builder模式造车

    这篇文章介绍了C#通过Builder模式造车的方法，文中通过示例代码介绍的非常详细。对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下
    2022-10-10
  • c#读取xml文件到datagridview实例

    c#读取xml文件到datagridview实例

    c#读取xml文件到datagridview实例，需要的朋友可以参考一下
    2013-03-03
  • C# cefSharep控件的使用详情

    C# cefSharep控件的使用详情

    本文主要介绍了C# cefSharep控件的使用，文中通过示例代码介绍的非常详细，对大家的学习或者工作具有一定的参考学习价值，需要的朋友们下面随着小编来一起学习学习吧
    2023-01-01
  • C#中的委托和事件详解

    C#中的委托和事件详解

    本文详细讲解了C#中的委托和事件，文中通过示例代码介绍的非常详细。对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下
    2022-07-07
  • C# 中的partial 关键字详解

    C# 中的partial 关键字详解

    这篇文章主要介绍了C# 中的partial 关键字,partial 关键字用于拆分一个类、一个结构、一个接口或一个方法的定义到两个或更多的文件中，本文通过实例代码给大家介绍的非常详细，需要的朋友可以参考下
    2022-07-07

最新评论