c#实现将pdf转文本的示例分享

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：

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:

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：

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）