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。
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。
我们使用了Aspose,效果很好。
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):
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
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:
免责声明:我为图书馆的供应商工作。