是否有可能使用PdfSharp从PDF文件中提取纯文本? 我不想使用iTextSharp,因为它的许可证。C#使用PdfSharp从PDF中提取文本
感谢您的回复。
编辑:我知道这是可能的。但我该怎么做?
是否有可能使用PdfSharp从PDF文件中提取纯文本? 我不想使用iTextSharp,因为它的许可证。C#使用PdfSharp从PDF中提取文本
感谢您的回复。
编辑:我知道这是可能的。但我该怎么做?
PDFSharp提供了从PDF中提取文本的所有工具。使用ContentReader
类访问每个页面内的命令并从TJ/Tj运算符中提取字符串。
我已经上传了一个简单的实现github。
在许多PDF CString.Value返回只是一些垃圾(例如使用OpenOffice.org创建一个PDF,并尝试使用此方法导入它)。 – 2016-08-20 14:52:29
我已经以某种方式实现了它与David做的相似。 这里是我的代码:
{
// ....
var page = document.Pages[1];
CObject content = ContentReader.ReadContent(page);
var extractedText = ExtractText(content);
// ...
}
private IEnumerable<string> ExtractText(CObject cObject)
{
var textList = new List<string>();
if (cObject is COperator)
{
var cOperator = cObject as COperator;
if (cOperator.OpCode.Name== OpCodeName.Tj.ToString() ||
cOperator.OpCode.Name == OpCodeName.TJ.ToString())
{
foreach (var cOperand in cOperator.Operands)
{
textList.AddRange(ExtractText(cOperand));
}
}
}
else if (cObject is CSequence)
{
var cSequence = cObject as CSequence;
foreach (var element in cSequence)
{
textList.AddRange(ExtractText(element));
}
}
else if (cObject is CString)
{
var cString = cObject as CString;
textList.Add(cString.Value);
}
return textList;
}
你不应该去掉StringBuilder,PDFs是相当大的,这个解决方案会导致巨大的不必要的内存消耗。 – 2016-08-20 14:37:01
拿了Sergio的答案,并取得了一定的扩展方法。我也将字符串的积累变成了一个迭代器。
public static class PdfSharpExtensions
{
public static IEnumerable<string> ExtractText(this PdfPage page)
{
var content = ContentReader.ReadContent(page);
var text = content.ExtractText();
return text;
}
public static IEnumerable<string> ExtractText(this CObject cObject)
{
if (cObject is COperator)
{
var cOperator = cObject as COperator;
if (cOperator.OpCode.Name== OpCodeName.Tj.ToString() ||
cOperator.OpCode.Name == OpCodeName.TJ.ToString())
{
foreach (var cOperand in cOperator.Operands)
foreach (var txt in ExtractText(cOperand))
yield return txt;
}
}
else if (cObject is CSequence)
{
var cSequence = cObject as CSequence;
foreach (var element in cSequence)
foreach (var txt in ExtractText(element))
yield return txt;
}
else if (cObject is CString)
{
var cString = cObject as CString;
yield return cString.Value;
}
}
}
我正在使用PDFsharp库,但它表示ContentReader类不在context.What可能是这个问题? – 2016-08-31 13:33:25
ContentReader类不在上下文中。 – 2016-09-01 20:42:49
无法抗拒。 IDK意味着什么或如何解决它。我尽量避免使用PDF,就像瘟疫一样,因为与它们一起工作的工具都是废话,假装人类可读的格式是机器可读的,这完全是愚人节的差事。 – 2016-09-01 20:43:52
想知道,为什么downvotes? (有没有澄清的意见,以帮助作者改善问题。) – 2012-12-11 07:28:01