c#實現(xiàn)將pdf轉(zhuǎn)文本的示例分享
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：
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)。
需要在目標系統(tǒng)上單獨安裝 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，但它當然也支持從PDF中提取文本（盡管有點大材小用）。
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 10364982
缺點：
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：
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提供的改進建議。
缺點：
IKVM.NET依賴 (18 MB)
速度（尤其是IKVM.NET的啟動時間）
相關(guān)文章
這篇文章主要介紹了C#隱藏控制臺鍵盤輸入的方法,涉及C#針對系統(tǒng)底層調(diào)用的相關(guān)技巧,非常具有實用價值,需要的朋友可以參考下2015-04-04
這篇文章主要介紹了c# 使用計時器和觀察者模式實現(xiàn)報警推送需求，文中示例代碼非常詳細，幫助大家更好的理解和學習，感興趣的朋友可以了解下2020-07-07
這篇文章主要為大家詳細介紹了Unity3D選擇本地圖片并加載，文中示例代碼介紹的非常詳細，具有一定的參考價值，感興趣的小伙伴們可以參考一下2019-07-07
在本篇文章里小編給大家整理了關(guān)于C#異常處理的技巧和方法以及相關(guān)知識點，需要的朋友們學習下。2019-03-03
c# 刪除所有的空文件夾的小例子，需要的朋友可以參考一下2013-03-03
這篇文章介紹了C#通過Builder模式造車的方法，文中通過示例代碼介紹的非常詳細。對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2022-10-10
c#讀取xml文件到datagridview實例，需要的朋友可以參考一下2013-03-03
本文主要介紹了C# cefSharep控件的使用，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧2023-01-01
本文詳細講解了C#中的委托和事件，文中通過示例代碼介紹的非常詳細。對大家的學習或工作具有一定的參考借鑒價值，需要的朋友可以參考下2022-07-07
這篇文章主要介紹了C#?中的partial?關(guān)鍵字,partial 關(guān)鍵字用于拆分一個類、一個結(jié)構(gòu)、一個接口或一個方法的定義到兩個或更多的文件中，本文通過實例代碼給大家介紹的非常詳細，需要的朋友可以參考下2022-07-07