PDFBox 0.7.3将pdf转换为文本

Question

我想将pdf文件转换为文本文件，但某些pdf文件不适用于pdfbox dll，因为Acrobat的版本比Acrobat 5.x更新

请告诉我我的工作？

output.WriteLine("Begin Parsing.....");
output.WriteLine(DateTime.Now.ToString());

PDDocument doc = PDDocument.load(path);
PDFTextStripper stripper = new PDFTextStripper();

output.Write(stripper.getText(doc));

Answer 1

您的第一次尝试应该尝试使用当前版本的PDFBox。您的0.7.3版本可以追溯到 2006年！ PDFBox同时已成为一个Apache项目，位于here: http://pdfbox.apache.org/，当前版本（截至2013年5月）为1.8.1。我非常确定PDFBox nowerdays支持PDF对象流和交叉引用流，它们是PDF参考版本1.5中的新增内容，Adobe Acrobat 6版本是为

而构建的。

如果这不起作用，您可能想尝试其他PDF库，例如如果AGPL（或购买许可证）对您没有问题，请iText（或您的案例中为iTextSharp）版本5.4.x。

有关使用iText（夏普）进行文本解析的信息，请参阅第15章标记内容和解析PDF {/ em> iText in Action — 2nd Edition。可以在线找到该章中的示例：Java和.Net。

对于第一次测试，样本ExtractPageContentSorted2.cs / ExtractPageContentSorted2.java将是一个良好的开端。中央代码：

PdfReader reader = new PdfReader(PDF_FILE);
PdfReaderContentParser parser = new PdfReaderContentParser(reader);
StringBuilder sb = new StringBuilder();
for (int i = 1; i <= reader.NumberOfPages; i++) {
    sb.AppendLine(PdfTextExtractor.GetTextFromPage(reader, i));
}

如果当前的PDFBox版本和当前的iText（夏普）版本都无法解析您的PDF，您可能希望发布样本进行检查;有一些方法可以从PDF中删除文本解析所需的所有信息......