使用PDFBox提取PDF文件中文本

        有时我们需要对PDF文件进行一些处理, 提取文本,合并等. 以前我们使用A-PDF Text Extractor免费工具,为什么不自己写一个呢?
现在我们可以使用PDFBox-0.7.3这个开源类库. 下载解包后引用:

   PDFBox-0.7.3.dll
   IKVM.GNU.Classpath.dll

        新建一个项目,代码很简单:

        public static string ParseToTxtStringUsingPDFBox(string filename)
        {
            PDDocument doc = PDDocument.load(filename);
            PDFTextStripper stripper = new PDFTextStripper();
            return stripper.getText(doc);
        }

        获得这个textString,再把它们写成磁盘文件就可以了, 像这样的方法:

        public static void WriteToTextFile(string str,string txtpath)
        {
            if (string.IsNullOrEmpty(txtpath))
                throw new ArgumentNullException("Output file path should not be Null");

            using (var txtWriter = new StreamWriter(txtpath))
            {
                txtWriter.Write(str);
                txtWriter.Close();
            }
        }

         其它的功能您可以自行发挥了. 这个类库目前支持:

• PDF to text extraction
• Merge PDF Documents
• PDF Document Encryption/Decryption
• Lucene Search Engine Integration
• Fill in form data FDF and XFDF
• Create a PDF from a text file
• Create images from PDF pages
• Print a PDF

 

  希望对您开发有帮助.

作者：Petter Liu
出处：http://www.cnblogs.com/wintersun/
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。
该文章也同时发布在我的独立博客中-Petter Liu Blog。