C# 使用 PdfSharp 从 PDF 中提取文本

Question

是否可以使用 PdfSharp 从 PDF 文件中提取纯文本？ 我不想使用 iTextSharp，因为它的许可证。

Answer 1

借鉴了Sergio的回答，做了一些扩展方法。我也把字符串的累加改成了迭代器

public static class PdfSharpExtensions
{
    public static IEnumerable<string> ExtractText(this PdfPage page)
    {       
        var content = ContentReader.ReadContent(page);      
        var text = content.ExtractText();
        return text;
    }   

    public static IEnumerable<string> ExtractText(this CObject cObject)
    {   
        if (cObject is COperator)
        {
            var cOperator = cObject as COperator;
            if (cOperator.OpCode.Name== OpCodeName.Tj.ToString() ||
                cOperator.OpCode.Name == OpCodeName.TJ.ToString())
            {
                foreach (var cOperand in cOperator.Operands)
                    foreach (var txt in ExtractText(cOperand))
                        yield return txt;   
            }
        }
        else if (cObject is CSequence)
        {
            var cSequence = cObject as CSequence;
            foreach (var element in cSequence)
                foreach (var txt in ExtractText(element))
                    yield return txt;
        }
        else if (cObject is CString)
        {
            var cString = cObject as CString;
            yield return cString.Value;
        }
    }
}

Answer 2

我已经以某种类似于大卫的方式实施了它。 这是我的代码：

...
{
    // ....
    var page = document.Pages[1];
    CObject content = ContentReader.ReadContent(page);
    var extractedText = ExtractText(content);
    // ...
}

private IEnumerable<string> ExtractText(CObject cObject)
{
    var textList = new List<string>();
    if (cObject is COperator)
    {
        var cOperator = cObject as COperator;
        if (cOperator.OpCode.Name == OpCodeName.Tj.ToString() ||
            cOperator.OpCode.Name == OpCodeName.TJ.ToString())
        {
            foreach (var cOperand in cOperator.Operands)
            {
                textList.AddRange(ExtractText(cOperand));
            }
        }
    }
    else if (cObject is CSequence)
    {
        var cSequence = cObject as CSequence;
        foreach (var element in cSequence)
        {
            textList.AddRange(ExtractText(element));
        }
    }
    else if (cObject is CString)
    {
        var cString = cObject as CString;
        textList.Add(cString.Value);
    }
    return textList;
}

Answer 3

PDFSharp 提供了从 PDF 中提取文本的所有工具。使用

ContentReader

类访问每个页面中的命令并从 TJ/Tj 运算符中提取字符串。

我已经上传了一个简单的实现到github。

Answer 4

使用这种方法，我实际上最近想出了如何为你们所说的 unicode 做这件事。但它不完全是 unicode，它是 PdfEncoding。嵌入式字体导致 pdf 生成称为 CMap 的差异表，您必须存储这些表并换出 pdfEncoding unicode 值，直到您在 cmap 表中找到一个并将其放在那里。我将符号转换为可读文本，并且花了 3 周时间学习 pdf 文件结构。您还需要 sharpZipLib 来膨胀压缩的 cmap 表。