使用 C# 或经典 ASP (VBScript) 从 PDF 中提取文本的好方法是什么？ [已关闭]

Question

有没有一个好的库可以从 PDF 中提取文本？如果需要的话我愿意付钱。

与 C# 或经典 ASP (VBScript) 配合使用的东西将是理想的选择，我还需要能够将页面与 PDF 分开。

这个问题有一些有趣的东西，特别是pdftotext，但我想如果可以的话避免调用外部命令行应用程序。

Answer 1

您可以使用 Windows 内置的 IFilter 接口从任何支持的文件类型中提取文本和属性（作者、标题等）。它是一个 COM 接口，因此您可以使用 .NET 互操作工具。

您还必须从 Adobe 下载免费的 PDF IFilter 驱动程序。

Answer 2

这里有一个很好的清单： PDF/C# 的开源库

其中大多数用于创建 PDF，但它们也应该具有读取功能。

还有这个：iText

我之前只玩过iText。没什么大不了的。

Answer 3

我们使用了Aspose，效果很好。

Answer 4

除了已批准的答案之外：还有替代商业解决方案来替代 Adobe IFilter 进行文本索引（提供类似的 API，但也提供额外的高级功能）：

1. Foxit PDF IFilter：与 Adobe 的插件相比，提供更快的文本索引。
2. PDFLib PDF iFilter：包括对损坏的 PDF 文档的支持以及用于运行您自己的查询的附加 API。

如果您正在寻找可从托管 .NET 应用程序和传统编程语言（如经典 ASP 或 VB6）使用的单一工具，那么这就是商业 ByteScout PDF Extractor SDK 的合适选择，因为它同时提供 .NET 和 ActiveX /COM API。

免责声明：我为 ByteScout 工作

Answer 5

Docotic.Pdf 库可用于从 PDF 文档中提取格式化或纯文本。

图书馆可以阅读任何版本的PDF文档（达到最新发布的标准）。该库还支持页面提取。

示例代码链接：

• 如何从PDF中提取文本
• 如何提取PDF页面

免责声明：我为图书馆的供应商工作。