pdf转中文txt

最近项目需要实现根据关键字搜索pdf内容，实现思路就是提取pdf文本，然后进行索引。

工具上选择：

IText 4.16之后采用agpl License，不能用作商用，而且转换中文会有乱码问题,

pdfsharp 采用MIT License，权限上没有问题，但是转换中文也会有乱码,

最后决定采用xpdf.

官网地址：https://www.xpdfreader.com/download.html

需要下载对应的xpdf包，本人采用的windows x64 版本

此外还要下载中文字符集包：简体中文字符集

包准备工作如下：

1. 在合适目录创建xpdf文件夹
2. 将下载的包解压并将bin64文件夹下的pdftotext.exe 拷贝到xpdf文件夹下
3. 解压中文字符集后进入文件夹继续解压xpdf-chinese-simplified.tar，在解压后的xpdf-chinese-simplified文件夹拷贝到xpdf下
4. 在xpdf文件夹下创建xpdf的字符加载文件xpdfrc
5. 打开xpdf文件夹下的子文件chinese-simplified里的add-to-xpdfrc，将里面内容copy到xpdfrc

将xpdf文件夹copy到项目合适位置实现功能，这里只演示单个文件的转换工作，本人是将xpdf访问asp.mvc启动工程的根目录下进行测试的(文件路径有空格一定要加双引号)

   public ActionResult Search(string keyword)
         {
             var rooPath = Server.MapPath("~/");
             ProcessStartInfo startInfo = new ProcessStartInfo
             {
                 UseShellExecute = false,
                 WindowStyle = ProcessWindowStyle.Normal,
                 RedirectStandardInput = true,
                 RedirectStandardOutput = true,
                 RedirectStandardError = true,
                 CreateNoWindow = false,
                 WorkingDirectory = string.Format("{0}xpdf", rooPath),
                 //FileName = string.Format("{0}xpdf\\pdftotext.exe", rooPath)
                 FileName ="cmd.exe"
             };
             //pdftotext.exe  -layout -enc GBK  你不知道的JavaScript（下卷）.pdf
             var arguments = string.Format("/C pdftotext.exe -layout -enc GBK \"{1}\" \"{2}\"", rooPath, rooPath + @"xpdf\1.pdf", rooPath + @"xpdf\JavaScript.txt");
             //var arguments = string.Format(@"{0}1.pdf", rooPath);
             startInfo.Arguments = arguments;
             var ss = string.Empty;

             using (Process process = Process.Start(startInfo))
             {

                 process.OutputDataReceived += new DataReceivedEventHandler((object sender, DataReceivedEventArgs e) =>
                 {
                     ss += e.Data;
                 });
                 process.BeginOutputReadLine();
                 using (var error = process.StandardError)
                 {
                     ss += error.ReadToEnd();
                 }
                 //等待退出
                 process.WaitForExit();
             }

             return Json(ss, JsonRequestBehavior.AllowGet);
         }

error 可能会有报字体的错误，但不影响转换，可以忽略：

Syntax Error: Unknown character collection 'DYNA-HK1'
Syntax Error: Unknown character collection 'DYNA-HK1'

下面再附上工程目录：