如何使用 Spire.PDF 或任何其他库将 pdf 文件读取为正确格式的文本文件？

Question

如何使用 Spire.PDF 读取 pdf 文件并将内容保存到文本文件？ 例如：这是一个 pdf 文件，这是该 pdf 中的 所需文本文件

我尝试使用下面的代码来读取文件并将其保存到文本文件

PdfDocument doc = new PdfDocument();
doc.LoadFromFile(@"C:\Users\Tamal\Desktop\101395a.pdf");

StringBuilder buffer = new StringBuilder();

foreach (PdfPageBase page in doc.Pages)
{
    buffer.Append(page.ExtractText());
}

doc.Close();
String fileName = @"C:\Users\Tamal\Desktop\101395a.txt";
File.WriteAllText(fileName, buffer.ToString());
System.Diagnostics.Process.Start(fileName);

但是

输出文本文件的格式不正确。它有不必要的空格，一个完整的段落被分成多行等等。

如何获得

所需文本文件中所需的结果？

此外，还可以检测和标记（如添加标签）粗体、斜体或下划线形式的文本吗？对于具有多列文本的页面，事情也会变得更加成问题。

Answer 1

使用

iText

File inputFile = new File("input.pdf");

PdfDocument pdfDocument = new PdfDocument(new PdfReader(inputFile));

SimpleTextExtractionStrategy stes = new SimpleTextExtractionStrategy();
PdfCanvasProcessor canvasProcessor = new PdfCanvasProcessor(stes);
canvasProcessor.processPageContent(pdfDocument.getPage(1));

System.out.println(stes.getResultantText());

这是（如代码所示）基本/简单的文本提取策略。 可以在文档中找到更高级的示例。

Answer 2

使用

IronOCR

var Ocr = new IronOcr.AutoOcr();
var Results = Ocr.ReadPdf("E:\Demo.pdf");
File.WriteAllText("E:\Demo.txt", Convert.ToString(Results));

供参考

https://ironsoftware.com/csharp/ocr/

使用它你应该得到格式化的文本输出，但不是你想要的确切的期望输出。

如果您想要精确的预解释输出，那么您应该检查付费 OCR 服务，例如

OmniPage capture SDK 和 Abbyy Finereader SDK

Answer 3

尝试 BitMiracle.Docotic.Pdf dll，为您提供一个带有格式的正确 txt 文件..

请参考：

https://bitmiracle.com/pdf-library/

Answer 4

这就是 PDF 的本质。它基本上是说“转到页面上的这个位置并将这个角色放在那里。”我对Spire.PFF一点也不熟悉；我使用 Java 和 PDFBox 库，但任何从 PDF 中提取文本的尝试都是启发式的，因此并不完美。这是一个受到相当多关注的问题，并且某些应用程序比其他应用程序具有更好的结果，因此您可能需要调查所有可用的选项。不过，我认为你必须清理结果。