C# 提取 PDF 文档中的文本

安装 IText7

首先在 Nuget 包管理器中,安装 itext7 和 itext7.font-asian。

如果不安装 itext7.font-asian PDF 文件中有非Unicode编码的字符，将会抛出运行时异常:

iText.IO.Exceptions.IOException：找不到 CMap iText.IO.Font.Cmap.UniGB-UTF16-H

安装好了这两个组件之后，使用以下代码，从PDF文件中提取出所有的文本。

示例代码

功能封装：

public class IText7Helper
{
	public static string ExtractText(string pdfFilePath)
	{
		//创建一个PdfReader对象，用来读取pdf文件
		PdfReader pdfReader = new PdfReader(pdfFilePath);
		//创建一个PdfDocument对象，用于操作pdf文档
		PdfDocument pdfDocument = new PdfDocument(pdfReader);
		//创建一个StringBuilder对象，来存储提取的文本
		StringBuilder textBuilder = new StringBuilder();
		//获取pdf文档的总页数
		int pageCount = pdfDocument.GetNumberOfPages();
		//遍历每一页
		for (int i = 1; i <= pageCount; i++)
		{
			//获取当前页的PdfPage对象
			PdfPage pdfPage = pdfDocument.GetPage(i);
			//创建一个ITextExtractionStrategy对象，用于指定提取文本的策略
			ITextExtractionStrategy strategy = new LocationTextExtractionStrategy();
			//使用PdfTextExtractor类的GetTextFromPage方法，根据指定的策略提取当前页的文本
			string pageText = PdfTextExtractor.GetTextFromPage(pdfPage, strategy);
			//将提取的文本追加到StringBuilder对象中
			textBuilder.Append(pageText);
		}
		//关闭PdfDocument对象
		pdfDocument.Close();
		//返回StringBuilder对象中的字符串
		return textBuilder.ToString();
	}
}

调用方法：

string text = IText7Helper.ExtractText("test.pdf");