• 设为首页
  • 点击收藏
  • 手机版
    手机扫一扫访问
    迪恩网络手机版
  • 关注官方公众号
    微信扫一扫关注
    公众号

C#实现将PDF转文本的功能

原作者: [db:作者] 来自: [db:来源] 收藏 邀请

  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:
   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 www.yztrans.com
   iTextSharp是一个 Java 的PDF 操作库iText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 www.tygj123.com
   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)


鲜花

握手

雷人

路过

鸡蛋
该文章已有0人参与评论

请发表评论

全部评论

专题导读
热门推荐
阅读排行榜

扫描微信二维码

查看手机版网站

随时了解更新最新资讯

139-2527-9053

在线客服(服务时间 9:00~18:00)

在线QQ客服
地址:深圳市南山区西丽大学城创智工业园
电邮:jeky_zhao#qq.com
移动电话:139-2527-9053

Powered by 互联科技 X3.4© 2001-2213 极客世界.|Sitemap