学无先后达者为师!
不忘初心,砥砺前行。

使用 C# 提取 PDF 文件中的所有文字(支持 .NET Core)

PDF 是 Portable Document Format 的简称,意为“可携带文档格式”,是由 Adobe Systems 用于与应用程序、操作系统、硬件无关的方式进行文件交换所发展出的文件格式。PDF 文件以 PostScript 语言图象模型为基础,无论在哪种打印机上都可保证精确的颜色和准确的打印效果,即 PDF 会忠实地再现原稿的每一个字符、颜色以及图象。

鉴于 PDF 文件格式比较复杂,一般通过第三方组件来对 PDF 进行操作,本文使用的是 itext7 。

官网:https://itextpdf.com/

NuGet: https://www.nuget.org/packages/itext7/

通过 NuGet 引入 itext7 组件之后,可以使用以下代码提取 PDF 文件中的文字:

using System.Collections.Generic;
using iText.Kernel.Pdf;
using iText.Kernel.Pdf.Canvas.Parser;
using iText.Kernel.Pdf.Canvas.Parser.Listener;
public static class PdfHelper
{
    public static IEnumerable<string> ExtractText(string filename)
    {
        using (var r = new PdfReader(filename))
        using (var doc = new PdfDocument(r))
        {
            for (int i = 1; i < doc.GetNumberOfPages(); i++)
            {
                ITextExtractionStrategy strategy = new LocationTextExtractionStrategy();
                string text = PdfTextExtractor.GetTextFromPage(doc.GetPage(i), strategy);
                yield return text;
            }
        }
    }
}

示例代码:

var lines = PdfHelper.ExtractText("{PDF文件路径}").ToList();

需要注意的是:如果你的 PDF 文件是基于图片的扫描版,那么本文的代码是无法提取到文字的,你需要的是 OCR 技术。

赞(8) 打赏
未经允许不得转载:码农很忙 » 使用 C# 提取 PDF 文件中的所有文字(支持 .NET Core)

评论 3

  1. 多谢指正。

    Soar、毅2年前 (2022-06-29)
  2. #2

    .NetFramework 4.7.2中需要增加一个using:

    using System.Collections.Generic;

    否则,IEnumerable会报错。

    错别字敏感词检测2年前 (2022-06-29)
  3. #1

    大佬强啊,这法宝,我收了

    shuqing2年前 (2022-06-29)

给作者买杯咖啡

非常感谢你的打赏,我们将继续给力更多优质内容,让我们一起创建更加美好的网络世界!

支付宝扫一扫

微信扫一扫

登录

找回密码

注册