C实现将PDF转文本的功能.doc

　　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/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?[]) IFilter COM 封装类?[] 　　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（/projects/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: 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　　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) ???