从在线pdf文件中提取文本（sharepoint）

Posted 2023-03-23

【中文标题】从在线pdf文件中提取文本（sharepoint）

【英文标题】：extracting text from online pdf file (sharepoint)

【发布时间】：2018-01-16 13:44:22

【问题描述】：

我知道有人提出并回答了类似的问题，但我找不到解决问题的方法。 所以基本上我想使用 C# 从在线 pdf 文件中提取文本，我可以使用 [itextsharp] 库来实现。然而，这适用于我可以通过在谷歌上搜索找到的一些随机 pdf 文件。我的目标是对存储多个 PDF 文件的私人共享点帐户执行相同的操作。我的 chrome 网络浏览器设置为记住用户和密码，但我仍然无法用我的代码实现它。对我来说，身份验证似乎没有问题，但我可能错了。代码如下：

public static string pdfTX(string path)

    CookieContainer cookieJar = new CookieContainer();
    HttpWebRequest request = (HttpWebRequest)WebRequest.Create(path);

    request.Proxy.Credentials = CredentialCache.DefaultCredentials;

    request.UserAgent = @"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/51.0.2704.106 Safari/537.36";
    request.Credentials = CredentialCache.DefaultCredentials;
    //  request.Credentials = new NetworkCredential(uName, pWord);

    Thread.Sleep(3000);
    HttpWebResponse response = (HttpWebResponse)request.GetResponse();
    Stream stream = request.GetResponse().GetResponseStream();

    string textPDF = string.Empty;

    PdfReader reader = new PdfReader(stream); //error here (iTextSharp.text.exceptions.InvalidPdfException: 'PDF header signature not found.')

    for (int page = 1; page <= reader.NumberOfPages; page++)
    
       textPDF += PdfTextExtractor.GetTextFromPage(reader, page);
    

    reader.Close();
    response.Close();
    //  readStream.Close();
    // public string passtext = text;

    return textPDF;

我很乐意提供任何帮助或信息！ 感谢您的时间和精力！

【参考方案1】：

这是我的 CSOM 测试代码（如果我使用流读取文件，我会遇到同样的错误）。

static void Main(string[] args)
        
            string login = "[e-mail]"; //give your username here  

            using (var context = new ClientContext("https://domain.sharepoint.com/sites/tst"))
            
                string password = "pw";
                SecureString sec_pass = new SecureString();
                Array.ForEach(password.ToArray(), sec_pass.AppendChar);
                sec_pass.MakeReadOnly();
                context.Credentials = new SharePointOnlineCredentials(login, sec_pass);

                var path = "/sites/tst/mydoc3/beginning_sharepoint_2013_development.pdf";
                var file = context.Web.GetFileByServerRelativeUrl(path);
                context.Load(file);
                context.ExecuteQuery();

                ClientResult<System.IO.Stream> data = file.OpenBinaryStream();
                context.Load(file);
                context.ExecuteQuery();                

                string textPDF = string.Empty;
                using (System.IO.MemoryStream mStream = new System.IO.MemoryStream())
                
                    if (data != null)
                    
                        data.Value.CopyTo(mStream);
                        byte[] array = mStream.ToArray();
                        PdfReader reader = new PdfReader(array);

                        for (int page = 1; page <= reader.NumberOfPages; page++)
                        
                            textPDF += PdfTextExtractor.GetTextFromPage(reader, page);
                        

                        reader.Close();
                    
                
                        
            Console.WriteLine("done");
            Console.ReadKey();

        

【讨论】：

谢谢！我接受了您的回答作为解决方案，但是如果您或其他任何人可以提供有关为什么 context.Credentials = CredentialCache.DefaultCredentials; 的任何信息而不是 context.Credentials = new SharePointOnlineCredentials(login, sec_pass);不起作用。我也会为此感到高兴的！再次感谢。