知識管理系統Data Solution研發日記之十四 如何以編程方式處理PDF格式文檔

這個系列的文章主要講解如何處理本機文檔和互連網資料。今天要討論的主題是，如何把PDF文檔格式轉化為可以編輯的RTF格式。PDF格式本身是唯讀，需要Acrobat Professional這樣的軟體來編輯它的內容，或者在WORD中編輯好後，轉化為PDF格式。我要達到的目標是這樣的

指定的格式選擇項如果PDF被勾選，則Path路徑中所有的的PDF格式的文檔會被處理，之後再匯入文件資料庫中。
好了，為了達到這個目的，我嘗試了以下幾種方法

1. Adobe Acrobat SDK  這是處理PDF文檔的官方開發包，也應該是最權威的處理工具。好像授權費用不菲，而且也找不到免費的版本。
2. PDF.NET 這個工具包相當不錯，它包含了處理PDF格式的方方面面，而且提供Managed 程式碼的完整例子。試用版只能處理PDF文檔的前幾頁，而且會加上試用的浮水印。
3. Aspose PDF.NET , Aspone Recognition 這兩個工具包也相當強大，好用。在轉換PDF為DOC格式時，有些限制，畢竟不是專業的OCR工具包。當你的PDF格式中包含有中文時，它就無法處理了。官方的Known Limitations中有說明到，Predefined composite fonts encodings used for Chinese, Japanese and Korean languages are not implemented。亞洲語言文字，在安裝作業系統時，這些語言套件也是另外單獨安裝的。
4. Solid Converter PDF 這個工具，在轉換PDF到DOC格式方面，95%的內容都完整的保留和正確轉換。可惜沒有開發包，不能編程調用。
5. 把PDF轉化為TIFF，再運用OCR技術把TIFF格式轉化為DOC格式。找到一些工具包，是OCX格式的控制項，主要是不穩定，也沒有提供純.NET的封裝。理論上.NET可以調用COM格式的組件包，實際上有些細節如何COM沒有處理好，.NET調用也會有些問題。
6. Solid PDF Tools 這個工具，也提供相當好的PDF格式轉DOC格式工具。最重要的一點是，它可以接受命令列參數，這樣可以被我的程式調用。

經曆了層層選擇的痛苦，最後選中以命令列參數方式，調用第三方工具包。這樣轉換後的格式效果好，也就是選擇第5項的工具，Solid PDF Tools。所以，為了讓你的Data Loader中的Doc Scanner能正確工作以處理PDF格式文檔，請先安裝這個工具，Data Loader就是以它來轉換PDF格式的檔案的。

請看，這就是它的介面效果。這個軟體小巧，但是編輯PDF格式起來，絲毫不遜色於Adobe Professional。最重要的我喜歡的一點是，它支援命令列調用，可以被.NET或是任何的程式設計語言調用。

再來看一下，.NET的調用代碼是如何寫的，它的方法體如下

 public static string ConvertPdfToDoc(string pdf) {       string outputFolder = Path.GetDirectoryName(pdf);       string outputFile = Path.Combine(Path.GetDirectoryName(pdf), 
                Path.GetFileNameWithoutExtension(pdf) + ".doc");        string pathWithFile = pdf.Replace(@"\", @"\\");        outputFolder = outputFolder.Replace(@"\", @"\\");        String sampleScript =          @"<</FileName (" + pathWithFile + @")>> FileOpen              <</WordDocumentType/Doc /OutputFolder (" + outputFolder + @")                 /ReconstructionMode/Flowing                 /LaunchViewer false>> ConvertToWord               Exit";         SolidScript solidScript = new SolidScript("Solid PDF Tools"); 
// replace Solid PDF Tools with the product you're scripting         solidScript.RunScript(sampleScript);         return outputFile;}

是的，這就是Data Loader內部處理PDF文檔格式的全部細節，再調用SolidScript來產生進程調用，把參數傳遞到Solid PDF Tools的進程中。您如果不明白上面.NET代碼的含義，你可以參考下面的流程。

先開啟記事本，輸入如下的指令碼代碼，

<</FileName (G:\\TDDOWNLOAD\\solidwatcher\\bin\\Debug\\File.pdf)>> FileOpen

              <</WordDocumentType/Doc /OutputFolder (G:\\Eclipse\\doc)

                /ReconstructionMode/Flowing

                /LaunchViewer false>> ConvertToWord

              Exit

再啟動運行，命令列cmd，輸入如下命令

這樣，你就可以到看Solid PDF Tools對傳入參數的PDF格式的處理。把這個過程封裝為.NET指令碼代碼，就是上面您看到的ConvertPdfToDoc方法。

 

如果你不是為了能用代碼方式轉化PDF為DOC，你可以嘗試以下幾個工具，它們都是綠色的的小軟體，幫忙你把PDF格式轉化為DOC。

1. 4Media PDF to Word Converter
2. AnyBizSoftPDFConverterPortable
3. Nitro PDF
4. PDF To Word RTF Converter
5. SimpoPDFConverterPortable

這五個工具都非常不錯。綠色，體積小。如果你需要command line調用，我推薦Solid PDF Tools。

在轉換PDF為DOC格式過程中，接觸到OCR技術，光學識別技術。它把PDF轉化為TIFF格式，再把TIFF格式轉化為DOC格式。對於OCR技術，業界最出名的莫過於ABBYY的SDK，它是目前最優秀的OCR技術的組件包之一。

來看一下，它的產品ABBYY FineReader 9，介面效果如

它可直接連接到硬體裝置，把掃描到的內容轉化為可以編輯的DOC格式。如果有精力也可以體驗一下ABBYY 的SDK，提供C++和.NET平台，各種平台語言的開發包。寫到這裡，也開始喜歡上C++代碼。在託管語言領域，有強大的Visual Studio,量身定製的C#語言和它的編譯器，大量的第三方組件廠商。然而在Unmanaged 程式碼領域，百花齊放。沒有微軟的壟斷性主導地位，各個軟體公司才有它們的專長，籍以此生存的技術資源。所以如果你感覺你的開發工具不好用，你購買的SDK還不夠友好，我覺得這就是你的機會，你以此改善和切入的機會。

 

請到epn.codeplex.com中下載最新版本的Data Loader程式和相關的開發文檔。