【发布时间】：2010-09-14 13:57:31
【问题描述】：
我有一个 PDF 文件，其中包含我们需要导入数据库的数据。这些文件似乎是打印的字母数字文本的 pdf 扫描件。好像是10pt。英语字体格式一种。
是否有任何工具或组件可以让我识别和解析此文本？
【问题讨论】：
【发布时间】：2010-09-14 13:57:31
【问题描述】：
我已经使用pdftohtml 成功地将表格从 PDF 中剥离为 CSV。它基于Xpdf，这是一个更通用的工具，包括pdftotext。我只是将它包装为来自 C# 的 Process.Start 调用。
如果您正在寻找更多 DIY 的东西，这里有 iTextSharp 库 - Java 的 iText 和 PDFBox 的端口（是的，它说 Java - 但他们有一个 .NET 版本IKVM.NET)。这是一些关于在 C# 中使用 iTextSharp 和 PDFBox 的 CodeProject 文章。
而且，如果您真的是受虐狂，您可以通过 COM 互操作调用 Adobe 的 PDF IFilter。 IFilter specs 非常简单，但我猜互操作开销会很大。
编辑：重新阅读问题和后续答案后，很明显 OP 正在处理他的 PDF 中的 images。在这种情况下，您需要提取图像（上面的 PDF 库可以很容易地做到这一点）并通过 OCR 引擎运行它。
我以前以交互方式使用过MODI，效果不错。它是 COM，因此通过互操作从 C# 调用它也是 doable 和漂亮的 simple：
' lifted from http://en.wikipedia.org/wiki/Microsoft_Office_Document_Imaging
Dim inputFile As String = "C:\test\multipage.tif"
Dim strRecText As String = ""
Dim Doc1 As MODI.Document
Doc1 = New MODI.Document
Doc1.Create(inputFile)
Doc1.OCR() ' this will ocr all pages of a multi-page tiff file
Doc1.Save() ' this will save the deskewed reoriented images, and the OCR text, back to the inputFile
For imageCounter As Integer = 0 To (Doc1.Images.Count - 1) ' work your way through each page of results
strRecText &= Doc1.Images(imageCounter).Layout.Text ' this puts the ocr results into a string
Next
File.AppendAllText("C:\test\testmodi.txt", strRecText) ' write the OCR file out to disk
Doc1.Close() ' clean up
Doc1 = Nothing
其他人喜欢Tesseract，但我有直接的经验。我听说过它的好坏两面，所以我想这在很大程度上取决于您的源质量。
【讨论】：
-
这是一个很好的资源列表......谢谢
-
如果 PDF 来自扫描仪，那么它实际上只是一个图像，PDFbox 将无法从中获取文本：PDFBox faq about parsing text from PDF。另外，请参阅@jm4 的答案
您无法从 PDF 中提取扫描的文本。您需要 OCR 软件。好消息是您可以尝试一些开源应用程序，并且 OCR 路线很可能比使用 PDF 库提取文本更容易。查看 Tesseract 和 GOCR。
【讨论】：
-
PDF 可以是文本和图像的任意组合。如果已经是文本 ocr 是不必要的。
我在我的一个博客中发布了关于解析 pdf 的文章。点击这个链接：
好吧，以下内容基于网络上流行的示例。 它的作用是“读取”pdf文件并将其作为文本输出 表单中的富文本框控件。 PDFBox for .NET 库可以是 从 sourceforge 下载。
您需要添加对 IKVM.GNU.Classpath & PDFBox-0.7.3 的引用。和 此外，还需要添加 FontBox-0.1.0-dev.dll 和 PDFBox-0.7.3.dll 应用程序的 bin 文件夹。出于某种原因我不记得了 （也许它来自其中一个教程），我也添加到了 bin IKVM.GNU.Classpath.dll。
在旁注中，刚刚拿到了我的“Head First C#”副本（在 Keith 的 建议）来自亚马逊。书很酷！它真的是为 初学者。本版涵盖VS2008和框架3.5。
给你...
/* Marlon Ribunal
* Convert PDF To Text
* *******************/
using System;
using System.Collections.Generic;
using System.Drawing;
using System.Windows.Forms;
using System.Drawing.Printing;
using System.IO;
using System.Text;
using System.ComponentModel.Design;
using System.ComponentModel;
using org.pdfbox.pdmodel;
using org.pdfbox.util;
namespace MarlonRibunal.iPdfToText
{
public partial class MainForm : Form
{
public MainForm()
{
InitializeComponent();
}
void Button1Click(object sender, EventArgs e)
{
PDDocument doc = PDDocument.load("C:\\pdftoText\\myPdfTest.pdf");
PDFTextStripper stripper = new PDFTextStripper();
richTextBox1.Text=(stripper.getText(doc));
}
}
}
【讨论】：
-
上面的链接不再有效 - 收到“无法打开与数据提供者的连接”错误消息
-
如果 PDF 是扫描图像，PDFbox 将无法从 PDF 中获取文本：How come I am not getting any text from a PDF document?
在我曾经工作过的一家公司，我们使用 ActivePDF 工具包取得了一些成功：
http://www.activepdf.com/products/serverproducts/toolkit/index.cfm
我认为您至少需要 Standard 或 Pro 版本，但他们有试用版，因此您可以查看它是否能满足您的需求。
【讨论】：
快速的谷歌搜索显示了这个有希望的结果。 http://www.pdftron.com/net/index.html
【讨论】：
您可以使用像 perl 的 PDF 这样的模块来提取文本。并使用其他工具将相关信息导入数据库。
我确定有.NET的PDF组件，但我没有尝试过，所以我不知道什么好。
【讨论】：
我最近为 Python 找到了 ReportLab。
【讨论】：
如果 PDF 是打印文本的扫描，则很难（涉及图像处理、字符识别等）自己完成。 PDF 通常会在内部将扫描的文档存储为 JPEG。您最好使用执行此操作的第三方工具（OCR 工具）。
【讨论】：
如果我猜对了，sheebz 会询问如何提取 PDF 字段并将数据加载到数据库中。你看过 iTextSharp 吗？ - http://sourceforge.net/projects/itextsharp/
【讨论】：
根据 Mark Brackett 的回答，我创建了一个 Nuget package 来包装 pdftotext。
它是 open source，针对 .net standard 1.6 和 .net framework 4.5。
用法：
using XpdfNet;
var pdfHelper = new XpdfHelper();
string content = pdfHelper.ToText("./pathToFile.pdf");
【讨论】：