C# 實現將 PDF 轉文本的功能

　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。現在它已經被擴充到包括使用 IFilter 和 iTextSharp 的常式了。

　　這篇文章和對應的Visual Studio項目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項目（要消除依賴關係有點棘手）。

　如何解析 PDF 檔案

　　在.NET中從PDF檔案裡提取文本的幾種主要方法有:

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]

　　範例代碼：

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

　缺點：

使用了不可靠的 COM Interop來處理 IFilter 介面 (並且組合 IFilter COM、 Adobe PDF IFilter 特別麻煩)。

需要在目標系統上單獨安裝 Adobe IFilter。如果你需要對其它人發布可索引的解決方案，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中提取文本（儘管有點大材小用）。

　　常式:

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：

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檔案夾下：

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：

IKVM.NET依賴 (18 MB)

速度（尤其是IKVM.NET的啟動時間）

