C# 实现将 PDF 转文本的功能
更新
2014年2月27日: 这篇文章最初只描述使用 PDFBox 来解析PDF文件。现在它已经被扩展到包括使用 IFilter 和 iTextSharp 的例程了。
这篇文章和对应的Visual Studio项目已经更新到目前最新的 PDFBox 版本(1.8.4)。可以从http://www.squarepdf.net/how-to-convert-pdf-to-text-in-net-sample-project/ 下载包含所有依赖内容的完整项目(要消除依赖关系有点棘手)。
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:
-
Microsoft 的 IFilter 接口 和 Adobe 的 IFilter 实现;
-
iTextSharp;
-
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:
1
2
3
4
5
6
7
|
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:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
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:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
|
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)
相关信息
-
在SquarePDF.NET上可以看到本文(和后续更新)。
原文地址:http://www.codeproject.com/Articles/12445/Converting-PDF-to-Text-in-C