如何将包含pdf的流转换为文本？

Question

我正在使用 azure 函数来提取 pdf 文件的文本。我想将流（由包含 pdf 的 azure blob 存储接收）转换为 pdf，以便我可以使用 this question here 的代码。

public static class PdfSharpExtensions
{
    public static IEnumerable<string> ExtractText(this PdfPage page)
    {       
        var content = ContentReader.ReadContent(page);      
        var text = content.ExtractText();
        return text;
    }   

    public static IEnumerable<string> ExtractText(this CObject cObject)
    {   
        if (cObject is COperator)
        {
            var cOperator = cObject as COperator;
            if (cOperator.OpCode.Name== OpCodeName.Tj.ToString() ||
                cOperator.OpCode.Name == OpCodeName.TJ.ToString())
            {
                foreach (var cOperand in cOperator.Operands)
                    foreach (var txt in ExtractText(cOperand))
                        yield return txt;   
            }
        }
        else if (cObject is CSequence)
        {
            var cSequence = cObject as CSequence;
            foreach (var element in cSequence)
                foreach (var txt in ExtractText(element))
                    yield return txt;
        }
        else if (cObject is CString)
        {
            var cString = cObject as CString;
            yield return cString.Value;
        }
    }
}

有办法吗？

Answer 1

据我了解，您需要从流中创建一个 PDF，然后使用该 PDF 来阅读内容。

所以首先我们需要从 MemoryStream 创建一个 PDF，但是等待我们只有一个 Stream，所以我们需要将它转换为 MemoryStream，如下所示：

public static void CopyStream(Stream input, Stream output)
{    
    byte[] buffer = new byte[16*1024];
    int read;
    while((read = input.Read (buffer, 0, buffer.Length)) > 0)
    {
        output.Write (buffer, 0, read);
    }
}

// Create MemoryStream
var ms = new MemoryStream();
CopyStream(streamFromDatabase, ms);

// Create PDF from MemoryStream
var pdf = PdfReader.Open(ms);

现在我们可以像这样从中读取文本：

var sb = new StringBuilder();

foreach (var page in pdf.Pages)
{
     sb.Append(string.Join("", page.ExtractText().ToArray()));
}