使用C#阅读pdf内容，并对其进行提取

有很多语言都可以对pdf内容进行提取，我提取pdf文件的目的主要是为了对pdf内容进行分析。

 

查找了不少这方面的资料，很多都是语焉不详。

 

我使用VS的nugut进行查找，以pdf为关键词，找到了很多的类库可以处理该问题。综合一切判断，选择iText为基础进行分析。

 

确定了Itext之后，查阅相关文档，得到其获取内容的代码如下：

//创建阅读器，Item是文件路径
                PdfReader pdfReader = new PdfReader(item);
                //获取文档内容
                PdfDocument pdfDoc = new PdfDocument(pdfReader);
                string strContent = string.Empty;
                //对每一页内容进行提取
                for (int page = 1; page <= pdfDoc.GetNumberOfPages(); page++)
                {
                    ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
                    string pageContent = PdfTextExtractor.GetTextFromPage(pdfDoc.GetPage(page), strategy);
                    //将每一页内容放入字符串中
                    strContent+=pageContent.Replace("\n","");
                }

                //关闭读取工具
                pdfDoc.Close();
                pdfReader.Close();

 

就这么愉快地把需求实现啦。非常感谢itext作者的辛勤付出。