C# PDFSharp：如何从 PDF 中去除文本的示例？

Posted 2023-04-17

【中文标题】C# PDFSharp：如何从 PDF 中去除文本的示例？

【英文标题】：C# PDFSharp: Examples of how to strip text from PDF?

【发布时间】：2012-03-24 10:06:07

【问题描述】：

我有一个相当简单的任务：我需要读取一个 PDF 文件并写出它的图像内容，同时忽略它的文本内容。所以本质上我需要做“另存为文本”的补充。

理想情况下，我宁愿避免对图像内容进行任何形式的重新压缩，但如果不可能，也可以。

有怎么做的例子吗？

谢谢！

【参考方案1】：

使用 PDFsharp 从 PDF 文件中提取文本并非易事。

最近在这个帖子中讨论过： https://***.com/a/9161732/162529

【参考方案2】：

使用 PdfSharp 从 PDF 中提取文本实际上非常容易，具体取决于文档类型和您打算如何处理它。如果文本在文档中是文本而不是图像，并且您不关心位置或格式，那么它很简单。此代码获取我正在使用的 PDF 中第一页的所有文本：

var doc = PdfReader.Open(docPath);
string pageText = doc.Pages[0].Contents.Elements.GetDictionary(0).Stream.ToString();

doc.Pages.Count 为您提供总页数，您可以通过带有索引的doc.Pages 数组访问每一页。我不建议在这里使用foreach 和Linq，因为接口没有很好地实现。传递给GetDictionary 的索引是针对哪个 PDF 文档元素的 - 这可能会根据文档的生成方式而有所不同。如果您没有得到您要查找的文本，请尝试遍历所有元素。

生成的文本将充满各种 PDF 格式代码。但是，如果您需要做的只是提取字符串，您可以使用 Regex 或任何其他适当的字符串搜索代码找到您想要的字符串。如果您需要对格式或定位做任何事情，那么祝您好运 - 据我所知，您将需要它。

【讨论】：

"生成的文本将充满各种 PDF 格式代码。"或者换句话说：很容易得到一些不容易破译的东西来得到页面上的真实文本。我见过 PDF2DOC 转换器可以很好地处理某些 PDF 文件，但在处理其他文件时却惨遭失败。

是的，以防它不够清楚 - 以这种方式很容易提取文本用于各种类型的分析。理解页面的整体格式并将其显示在屏幕上或更改布局一点也不容易。

绘制文本“Hello, World!”可以看起来像240.2734 427.6833 Td (Hello, World!) Tj，也可以看起来像240.2734 427.6833 Td <002B0048004F004F0052000F0003003A00520055004F00470004> Tj，或者有点不同。简单的实现对某些文件有效，但对其他文件会失败。

我正在使用 PDF sharp 库。它说 PdfReader 作为类未找到。可能是什么问题？这是我的文件的链接

@SudarshanTaparia 您应该提出一个新问题，您可以在那里更好地粘贴您的代码。

【参考方案3】：

PDFSharp 库从 .pdf 文件中提取图像的示例：

link

library

编辑：

如果你想从图像中提取文本，你必须使用 OCR 库。

有两个很好的 OCR tessnet 和 MODI Link to thread on stack 但我完全可以推荐我现在正在使用的MODI。一些样本@codeproject。

编辑 2：

如果您不想从提取的图像中读取文本，您应该编写新的 PDF 文档并将它们全部放入其中。对于编写 PDF，我使用 MigraDoc。使用那个库并不难。

【讨论】：

我看过那个例子，但我不确定它是否包含我需要的所有部分。它在文档中查找“图片”。我还需要以图像形式保留文本的呈现，我只是不想在图像后面有文本。换句话说，我希望输出看起来与输入完全相同，但我想禁用从输出中保存文本的功能。

所以据我所知，您想从图像中读取文本并从 pdf 中读取纯文本？把它们放在一起是什么？

输入 PDF 可以是纯图像或图像后面的图像 + 文本。所以我需要接受输入并从中制作一个只有图像的 PDF。也就是说，我想将输入PDF的所有非文本组件导出到输出PDF，而不是导出文本组件。

因此，如果您想从 PDF 导出所有图像，您必须使用 PDFSharp（以我的回答为例）。然后，您可以使用 MigraDoc 将它们放入新的 PDF 中。它会回答你的问题吗？

图像提取示例仅提取“图片”图像，它不保存任何类型的文本图片表示。这就是为什么我说它似乎没有我需要的所有部分。似乎我需要做的——但我可能错了，因为我对非常复杂的 PDF 格式的了解有限——是从原始 PDF 创建一个 Document 对象，然后以某种方式删除或用空文本替换所有文档中的文本对象。但是，我需要它以这样的方式来做，以便我保留该文本的图像表示。有意义吗？