上传到 IIS Web App 时 PDF 到文本的转换？

Question

我研究了几个 C# DLL，但没有发现任何特别好的。我的要求是：

• PDF 文档通过 ASPX 页面上传。
• 需要提取文本并将其与 PDF 一起存储在 DB 中。
• 解决方案不能为复制 Web 应用程序产生额外费用（因此，如果我知道它会起作用，将考虑使用固定费用的解决方案，但不收取每次安装费用）。
• 虽然良好的转换是最重要的，但用户可能希望一次上传许多个 PDF 文件，因此速度也很重要。

将使用文本的下游进程设置为使用PDFBox，这似乎运行良好。但是：

• PDFBox 是用 Java 编写的，所以我需要将它作为一个单独的进程启动并检索结果（我通过 IKVM 拒绝使用它）。
• 默认情况下，它从磁盘文件中读取，但为了简单和速度，我更喜欢 stdin->stdout 过滤器。修复 PDFBox 很简单，但是从 C# 获取子进程的 I/O 是乏味的。
• 我知道我可以向硬盘驱动器写入一个新磁盘，启动 PDFBox，等待它退出，然后从硬盘驱动器（或其 stdout）中读取，但这看起来很老套，并且会可能会慢一些。

我很惊讶我找不到 PDF 转换器配方，这似乎是一个常见的要求。那么，任何人都可以帮助我吗：

• 您使用的预制转换解决方案至少和PDFBox一样有效。
• 如果在 IIS 后面使用 stdio 过滤器确实是个坏主意，请解释一下为什么。

提前致谢。

Answer 1

我最初询问如何将二进制数据写入 Process.StandardInput (StreamWriter)，因为它只处理字符数据：答案是使用 Process. StandardInput.BaseStream（流）。

此外，由于两个管道都可能填满（64KB 缓冲区 IIUC），我使用了以下模式：

• 产生一个线程来写入数据，然后设置一个标志，
• 产生一个线程来读取所有返回数据，然后设置一个标志，
• 循环直到设置两个标志，调用 Thread.Sleep(100)。
• 返回从进程读取的数据。

因此，除了将可执行文件放入 WebApp（或需要单独安装）的骇人听闻的方面之外，这似乎工作正常 - 但我仍然需要进行一些滥用测试。

Answer 2

如果您有可能在服务器上运行 Process()，您可以使用来自 http://www.foolabs.com/xpdf/ 的 XPDF，其中一个实用工具是 PDFtoText，它能够提取 PDF 文件中的文本，甚至可以维护某种类型的布局。

在过去，我听说过一些例子，Adobe 搜索和 MS 索引服务结合起来也可以提取 PDF 文件的文本。