.NET下读取PDF文本总结[转]

 

 

 

在.NET下读取PDF文本用到的类库主要有两个：PDFBox和iTextSharp。

先说PDFBox，这个类库据说功能很强大，本人在这只是简单介绍一下：

1、下载PDFBox

下载地址：http://sourceforge.net/projects/pdfbox/

2、引用动态链接库

解压缩下载的PDFBox，找到其中的Bin目录，需要在项目中添加引用的dll文件有：
IKVM.GNU.Classpath.dll
PDFBox-0.7.3.dll
FontBox-0.1.0-dev.dll
IKVM.Runtime.dll
将以上4个文件引用到项目中，在文件中需要引入以下2个命名空间：
using org.pdfbox.pdmodel;
using org.pdfbox.util;

3、API的使用方法看代码：

using org.pdfbox.pdmodel;
using org.pdfbox.util;
public void pdf2txt(FileInfo file,FileInfo txtfile)
{
        PDDocument doc = PDDocument.load(file.FullName);
        PDFTextStripper pdfStripper = new PDFTextStripper();
        string text = pdfStripper.getText(doc);
        StreamWriter swPdfChange = new StreamWriter(txtfile.FullName, false, Encoding.GetEncoding("gb2312"));
        swPdfChange.Write(text);
        swPdfChange.Close();
}

iTextSharp，其实很多时候都是用于生成PDF，但是他读取PDF的能力也不差，使用如下：

1、下载iTextSharp

下载地址：http://sourceforge.net/projects/itextsharp/

2、引用动态链接库

解压缩下载的压缩包里面的itextsharp-dll-core.zip，得到itextsharp.dll，在项目中添加引用itextsharp.dll即可
在文件中需要引入以下3个命名空间：
using iTextSharp;
using iTextSharp.text;
using iTextSharp.text.pdf;

3、API的使用方法看代码：

private string OnCreated(string filepath)
{
    try
    {
        string pdffilename = filepath;
        PdfReader pdfReader = new PdfReader(pdffilename);
        int numberOfPages = pdfReader.NumberOfPages;
        string text = string.Empty;

        for (int i = 1; i <= numberOfPages; ++i)
        {
            byte[] bufferOfPageContent = pdfReader.GetPageContent(i);
            text += System.Text.Encoding.UTF8.GetString(bufferOfPageContent);
        }
        pdfReader.Close();

        return text;
    }
    catch (Exception ex)
    {
        StreamWriter wlog = File.AppendText(System.AppDomain.CurrentDomain.SetupInformation.ApplicationBase+"\\mylog.log");
        wlog.WriteLine("出错文件：" + e.FullPath + "原因：" + ex.ToString());
        wlog.Flush();
        wlog.Close();return null;
    }

}