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：以下是pdf file，此处是pdf

我尝试了以下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output text file格式不正确。它有不必要的空格，完整的段落分为多行等。

如何在所需文本文件中获得所需结果？

此外，还可以使用粗体，斜体或下划线形式检测和标记（如添加标签）文本？对于具有多列文本的页面，事情也会变得更加棘手。

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（如代码所述）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，但不是你想要的精确的欲望输出。

如果您需要准确的预解释输出，那么您应该检查付费的OCR服务，例如 OmniPage capture SDK ＆amp; Abbyy finereader SDK

Answer 3

这就是PDF的本质。它基本上是说＆＃34;在页面上转到这个位置然后将这个角色放在那里。＆＃34;我对Spire.PFF一点都不熟悉;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，因此不完美。这是一个受到广泛关注的问题，有些应用程序比其他应用程序有更好的结果，因此您可能需要调查所有可用选项。不过，我认为你必须清理结果。

如何使用Spire.PDF或任何其他库以正确的格式将pdf文件读取到文本文件？

3 个答案: