C# 实现将PDF转文本的功能

　　这篇文章最初只描述使用 PDFBox 来解析PDF文件。现在它已经被扩展到包括使用 IFilter 和 iTextSharp 的例程了。
 　　这篇文章和对应的Visual Studio项目已经更新到目前最新的 PDFBox 版本（1.8.4）。可以下载包含所有依赖内容的完整项目（要消除依赖关系有点棘手）。
 　　如何解析 PDF 文件
 　　在。NET中从PDF文件里提取文本的几种主要方法有：
 　　Microsoft 的 IFilter 接口 和 Adobe 的 IFilter 实现；
 　　iTextSharp;
 　　PDFBox.
 　　不幸的是这些 PDF 解析方案都不完美。我们将在下面讨论这些方法。
 　　Adobe PDF IFilter
 　　为了使用 IFilter 接口来解析 PDF 文件，你需要：
 　　Windows 2000 或者后续版本
 　　Adobe Acrobat 或 Reader 7.0.5+ （或单独的 Adobe PDF IFilter [adobe.com]）
 　　IFilter COM 封装类 [dotlucene.net]
 　　样例代码：
 　　using IFilter;
 　　// …
 　　public static string ExtractTextFromPdf（string path） {
 　　return DefaultParser.Extract（path）；
 　　}
 　　缺点：
 　　使用了不可靠的 COM 互操作来处理 IFilter 接口 （并且组合 IFilter COM、 Adobe PDF IFilter 特别麻烦）。
 　　需要在目标系统上单独安装 Adobe IFilter.如果你需要对其它人发布可索引的解决方案，会很痛苦。
 　　iTextSharp www.yztrans.com
 　　iTextSharp是一个 Java 的PDF 操作库iText的。NET输出。它主要着眼于编辑PDF而不是阅读，但它当然也支持从PDF中提取文本（尽管有点大材小用）。
 　　例程：
 　　using iTextSharp.text.pdf;
 　　using iTextSharp.text.pdf.parser;
 　　// …
 　　public static string ExtractTextFromPdf（string path）
 　　{
 　　using （PdfReader reader = new PdfReader（path））
 　　{
 　　StringBuilder text = new StringBuilder（）；
 　　for （int i = 1; i <= reader.NumberOfPages; i++）
 　　{
 　　text.Append（PdfTextExtractor.GetTextFromPage（reader, i））；
 　　}
 　　return text.ToString（）；
 　　}
 　　}
 　　信用证： 成员号 10364982
 　　缺点：
 　　需要许可证（如果你不喜欢 AGPL许可证 的话）
 　　PDFBox www.tygj123.com
 　　PDFBox是另一个Java PDF类库。它同时也可以与原来的Java Lucene一同使用（参见LucenePDFDocument）。
 　　幸运的是，PDFBox有一个使用IKVM.NET开发的。NET版本 （只需访问PDFBox下载页）。
 　　在。NET中使用PDFBox需要引用：
 　　IKVM.OpenJDK.Core.dll
 　　IKVM.OpenJDK.SwingAWT.dll
 　　pdfbox-1.8.4.dll
 　　并将下列文件复制到bin文件夹下：
 　　commons-logging.dll
 　　fontbox-1.8.4.dll
 　　IKVM.OpenJDK.Util.dll
 　　IKVM.Runtime.dll
 　　使用PDFBox解析PDF十分简单：
 　　using org.apache.pdfbox.pdmodel;
 　　using org.apache.pdfbox.util;
 　　// …
 　　private static string ExtractTextFromPdf（string path）
 　　{
 　　PDDocument doc = null;
 　　try {
 　　doc = PDDocument.load（path）
 　　PDFTextStripper stripper = new PDFTextStripper（）；
 　　return stripper.getText（doc）；
 　　}
 　　finally {
 　　if （doc != null） {
 　　doc.close（）；
 　　}
 　　}
 　　}
 　　编译后的大小加起来差不多有18MB:
 　　IKVM.OpenJDK.Core.dll （4 MB）
 　　IKVM.OpenJDK.SwingAWT.dll （6 MB）
 　　pdfbox-1.8.4.dll （4 MB）
 　　commons-logging.dll （82 kB）
 　　fontbox-1.8.4.dll （180 kB）
 　　IKVM.OpenJDK.Util.dll （2 MB）
 　　IKVM.Runtime.dll （1 MB）
 　　速度还可以：解析U.S. Copyright Act PDF （5.1 MB）文件用了13秒。
 　　感谢bobrien100提供的改进建议。
 　　缺点：
 　　IKVM.NET依赖 （18 MB）
 　　速度（尤其是IKVM.NET的启动时间）