C# Trích xuất văn bản từ PDF bằng PdfSharp

Question

Có khả năng trích xuất văn bản thuần tuý từ tệp PDF với PdfSharp không? Tôi không muốn sử dụng iTextSharp vì giấy phép của nó.

Cảm ơn câu trả lời của bạn.

EDIT: Tôi biết rằng điều đó là có thể. Nhưng làm thế nào để tôi làm điều đó?

Answer 1

PDFSharp cung cấp tất cả các công cụ để trích xuất văn bản từ PDF. Sử dụng lớp ContentReader để truy cập các lệnh trong mỗi trang và trích xuất các chuỗi từ các toán tử TJ/Tj.

Tôi đã tải lên triển khai đơn giản tới github.

Answer 2

Tôi đã thực hiện nó bằng cách nào đó tương tự như cách David đã làm. Đây là mã của tôi:

{ 
     // .... 
     var page = document.Pages[1]; 
     CObject content = ContentReader.ReadContent(page); 
     var extractedText = ExtractText(content); 
     // ... 
    } 

    private IEnumerable<string> ExtractText(CObject cObject) 
    { 
     var textList = new List<string>(); 
     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) 
       { 
        textList.AddRange(ExtractText(cOperand)); 
       } 
      } 
     } 
     else if (cObject is CSequence) 
     { 
      var cSequence = cObject as CSequence; 
      foreach (var element in cSequence) 
      { 
       textList.AddRange(ExtractText(element)); 
      } 
     } 
     else if (cObject is CString) 
     { 
      var cString = cObject as CString; 
      textList.Add(cString.Value); 
     } 
     return textList; 
    } 

Answer 3

Lấy câu trả lời của Sergio và thực hiện một số phương pháp mở rộng. Tôi cũng đã thay đổi sự tích lũy của chuỗi thành một trình lặp.

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; 
     } 
    } 
}