PDFBox 0.7.3 将pdf转换为文本

Question

我想将 pdf 文件转换为文本文件，但某些 pdf 文件不能使用 pdfbox dll 作为比 Acrobat 5.x 更新的 acrobat 版本

请告诉我我在做什么？

output.WriteLine("Begin Parsing.....");
output.WriteLine(DateTime.Now.ToString());

PDDocument doc = PDDocument.load(path);
PDFTextStripper stripper = new PDFTextStripper();

output.Write(stripper.getText(doc));

Answer 1

您的第一次尝试应该是使用当前版本的 PDFBox。您的 0.7.3 版本可以追溯到 2006！ 同时 PDFBox 已成为 Apache 项目，位于 here: http://pdfbox.apache.org/，当前版本（截至 2013 年 5 月）为 1.8.1。而且我非常确定现在的 PDFBox 确实支持 PDF 对象流和交叉引用流，这是 PDF 参考版本 1.5 中的新功能，Adobe Acrobat 6 的版本已经为

如果这不起作用，您可能想尝试其他 PDF 库，例如iText（或 iTextSharp 在您的情况下）版本 5.4.x，如果 AGPL（或购买许可证）对您没有问题。

关于使用 iText(Sharp) 进行文本解析的信息可以在iText in Action — 2nd Edition 的第 15 章标记内容和解析 PDF 中找到。该章节的示例可以在网上找到：Java 和 .Net。

对于第一次测试，样本 ExtractPageContentSorted2.cs / ExtractPageContentSorted2.java 将是一个好的开始。中心代码：

PdfReader reader = new PdfReader(PDF_FILE);
PdfReaderContentParser parser = new PdfReaderContentParser(reader);
StringBuilder sb = new StringBuilder();
for (int i = 1; i <= reader.NumberOfPages; i++) {
    sb.AppendLine(PdfTextExtractor.GetTextFromPage(reader, i));
}

如果当前的 PDFBox 版本和当前的 iText(Sharp) 版本都无法解析您的 PDF，您可能需要发布样本以供检查；有一些方法可以从 PDF 中删除文本解析所需的所有信息...