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：

　　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：

  1. 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)。

  2. 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：

  1. 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：

  1. IKVM.NET依赖 (18 MB)

  2. 速度（尤其是IKVM.NET的启动时间）

　相关信息

　　原文地址：http://www.codeproject.com/Articles/12445/Converting-PDF-to-Text-in-C

posted @ 2014-03-08 12:05  技术狂  阅读(1269)  评论(0)  编辑  收藏  举报