C# 實現將 PDF 轉文字的功能

　更新

　　2014年2月27日： 這篇文章最初只描述使用 PDFBox 來解析PDF檔案。現在它已經被擴充套件到包括使用 IFilter 和 iTextSharp 的例程了。

　　這篇文章和對應的Visual Studio專案已經更新到目前最新的 PDFBox 版本（1.8.4）。可以從 http://www.squarepdf.net/how-to-convert-pdf-to-text-in-net-sample-project/ 下載包含所有依賴內容的完整專案（要消除依賴關係有點棘手）。

　如何解析 PDF 檔案

　　在.NET中從PDF檔案裡提取文字的幾種主要方法有:

• Microsoft 的 IFilter 介面 和 Adobe 的 IFilter 實現；

• iTextSharp；

• PDFBox。

　　不幸的是這些 PDF 解析方案都不完美。我們將在下面討論這些方法。

　Adobe PDF IFilter

　　為了使用 IFilter 介面來解析 PDF 檔案，你需要：

• Windows 2000 或者後續版本

• Adobe Acrobat 或 Reader 7.0.5+ (或單獨的 Adobe PDF IFilter [adobe.com])

• IFilter COM 封裝類 [dotlucene.net]

　　樣例程式碼：

using IFilter;

// ...

public static string ExtractTextFromPdf(string path) {
  return DefaultParser.Extract(path); 
}

　　缺點：

1. 使用了不可靠的 COM 互操作來處理 IFilter 介面 (並且組合 IFilter COM、 Adobe PDF IFilter 特別麻煩)。

2. 需要在目標系統上單獨安裝 Adobe IFilter。如果你需要對其它人釋出可索引的解決方案，會很痛苦。

　iTextSharp

　　iTextSharp（http://sourceforge.net/projects/itextsharp/） 是一個 Java 的PDF 操作庫 iText（http://itextpdf.com/） 的.NET輸出。它主要著眼於編輯PDF而不是閱讀，但它當然也支援從PDF中提取文字（儘管有點大材小用）。

　　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();
  }
}

　　信用證: 成員號 10364982

　　缺點：

1. 需要許可證（如果你不喜歡 AGPL許可證 的話）

　PDFBox

　　PDFBox是另一個Java PDF類庫。它同時也可以與原來的Java Lucene一同使用（參見LucenePDFDocument）。

　　幸運的是，PDFBox有一個使用IKVM.NET開發的.NET版本 （只需訪問PDFBox下載頁）。

　　在.NET中使用PDFBox需要引用：

• IKVM.OpenJDK.Core.dll

• IKVM.OpenJDK.SwingAWT.dll

• pdfbox-1.8.4.dll

　　並將下列檔案複製到bin資料夾下：

• commons-logging.dll

• fontbox-1.8.4.dll

• IKVM.OpenJDK.Util.dll

• IKVM.Runtime.dll

　　使用PDFBox解析PDF十分簡單：

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();
    }
  }
}

　　編譯後的大小加起來差不多有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)

　　速度還可以：解析U.S. Copyright Act PDF (5.1 MB)檔案用了13秒。

　　感謝bobrien100提供的改進建議。

　　缺點：

1. IKVM.NET依賴 (18 MB)

2. 速度（尤其是IKVM.NET的啟動時間）

　相關資訊

• 在SquarePDF.NET上可以看到本文（和後續更新）。

　　原文地址：http://www.codeproject.com/Articles/12445/Converting-PDF-to-Text-in-C