从asp.net Core中的PDF中读取文本

Question

bounty到期在6天内。该问题的答案有资格获得+ 50声望赏金。Rob None正在寻找来自信誉良好的来源的答案：

[我正在寻找免费的图书馆来阅读PDF，并通过一些示例将其转换为.net core 3.1中的文本。

我需要阅读PDF并将其转换为.txt。我尝试将iTextSharp作为免费库使用，它可以正常运行，但不能与.NET Core完全兼容。

那是iTextSharp中的代码：

string prevPage = "";
for (int page = 5; page <= reader.NumberOfPages; page++)
{
  ITextExtractionStrategy its = new SimpleTextExtractionStrategy();
  var s = PdfTextExtractor.GetTextFromPage(reader, page, its);
  if (prevPage != s) sb.Append(s);
  prevPage = s;
}
reader.Close();

而且，我尝试了iTextSharp.LGPLv2.Core，但它的效果不如另一个，并且我也没有得到很好的结果。

所以C＃.net Core中有一个不错的库可以免费读取pdf并将其转换为txt文件吗？

编辑：我想给你更多细节：我的主要范围是从PDF文件中获取文本，我不需要以某种方式设置格式的图像或表格，我将从PDF中获取文本。有了ItextSharper和PdfTextExtractor确实很容易，可能没有其他方法可以在带有类似库的.net Core中做到这一点吗？

Answer 1

安装Nuget-Package GrapeCity.Documents.Pdf，这是一个跨平台的库，允许创建，修改和分析PDF文档。

在.Net Core 3.1上进行测试

static void Main(string[] args)
{

    string pdfPath1 = @"C:\Users\UserName\oexp.pdf";

    var doc = new GcPdfDocument();
    FileStream fs = new FileStream(pdfPath1, FileMode.Open, FileAccess.ReadWrite);
    doc.Load(fs);

    //To extract Page 1
    var tmap_page2 = doc.Pages[0].GetTextMap();
    tmap_page2.GetFragment(out TextMapFragment newFragment, out string Extractedtext);


    Console.WriteLine("***************************");
    Console.WriteLine("Extracted Text: \n\n" +Extractedtext);

}

您还可以使用doc.Pages.Count获取页数并枚举每页并获取其内容