使用 C# 提取 PDF 文件中的所有文字（支持 .NET Core）

Posted 2022-07-09 dotNET跨平台

PDF 是 Portable Document Format 的简称，意为“可携带文档格式”，是由 Adobe Systems 用于与应用程序、操作系统、硬件无关的方式进行文件交换所发展出的文件格式。PDF 文件以 PostScript 语言图象模型为基础，无论在哪种打印机上都可保证精确的颜色和准确的打印效果，即 PDF 会忠实地再现原稿的每一个字符、颜色以及图象。

鉴于 PDF 文件格式比较复杂，一般通过第三方组件来对 PDF 进行操作，本文使用的是 itext7 。

官网：https://itextpdf.com/

NuGet：https://www.nuget.org/packages/itext7/

通过 NuGet 引入 itext7 组件之后，可以使用以下代码提取 PDF 文件中的文字：

using System.Collections.Generic;
using iText.Kernel.Pdf;
using iText.Kernel.Pdf.Canvas.Parser;
using iText.Kernel.Pdf.Canvas.Parser.Listener;
public static class PdfHelper

    public static IEnumerable<string> ExtractText(string filename)
    
        using (var r = new PdfReader(filename))
        using (var doc = new PdfDocument(r))
        
            for (int i = 1; i < doc.GetNumberOfPages(); i++)
            
                ITextExtractionStrategy strategy = new LocationTextExtractionStrategy();
                string text = PdfTextExtractor.GetTextFromPage(doc.GetPage(i), strategy);
                yield return text;
            
        
    

示例代码：

var lines = PdfHelper.ExtractText("PDF文件路径").ToList();

需要注意的是：如果你的 PDF 文件是基于图片的扫描版，那么本文的代码是无法提取到文字的，你需要的是 OCR 技术。