如何在 iTextSharp 上使用 PDFTextExtractor

Question

我想使用 iTextSharp 从 pdf 文件中检索文本。但是，我无法像在 itextsharp(itext) 的 JAVA 库中那样使用 PDFTextExtractor。我需要 readPDFOffline 类来返回文件的内容。我将在下面给出伪，以便您很好地理解我想要的。

私有字符串 readPDFOffline(string fileUri);
阅读PDF；
检索此 Pdf 的文本内容；*
将内容保存到字符串 contentOfflineFile;
返回 contentOfflineFile;

我想做代码的 * 部分

Answer 1

PdfTextExtractor 出现在 iTextSharp 的最新版本中，available here。

在 PDF 中检索文本不容易。并非不可能，但有时唯一可行的就是 OCR。对于所有其他情况， PdfTextExtractor 应该可以工作。它不工作的情况被认为是错误，应该这样报告。

请注意，在某些情况下看似有效的文本是不可提取的：

1. 没有编码的文本...只是字形索引。 OCR 时间。
2. “文本”只是原始路径。效率极低，需要时间进行更多 OCR。
3. “文本”是位图中的像素。再次进行 OCR。

OCR：光学字符识别。 Google Code 上甚至有一个相当不错的免费提供，虽然我不记得这个名字了。