黑马程序员技术交流社区

标题: C#解析PDF [打印本页]

---

作者: sunrise2    时间: 2014-7-21 22:42
标题: C#解析PDF


       C#解析PDF的方式有很多，比较好用的有ITestSharp和PdfBox。
        PDF内容页如果是图片类型，例如扫描件，则需要进行OCR（光学字符识别）。
        文本内容的PDF文档，解析的过程中，我目前仅发现能以字符串的形式读取的，不能够读取其中的表格。据说PDF文档结构中是没有表格概念的，因此这个自然是读不到的，如果果真如此，则PDF中表格内容的解析，只能对获取到的字符串按照一定的逻辑自行解析了。
     ITestSharp是一C#开源项目，PdfBox为Java开源项目，借助于IKVM在.Net平台下有实现。

     Pdf转换Image，使用的是GhostScript，可以以API的方式调用，也可以以Windows命令行的方式调用。
    OCR使用的是Asprise，识别效果较好（商业），另外还可以使用MS的ImageScaning（2007）或OneNote（2010）（需要依赖Office组件），Tessert（HP->Google）（效果很差）。
ITestSharp辅助类

1. using System;
   
2. using System.Collections.Generic;
   
3. using System.Text;
   
4. 
   
5. using iTextSharp.text.pdf;
   
6. using iTextSharp.text.pdf.parser;
   
7. using System.IO;
   
8. 
   
9. namespace eyuan
   
10. {
    
11.     public static class ITextSharpHandler
    
12.     {
    
13.         /// <summary>
    
14.         /// 读取PDF文本内容
    
15.         /// </summary>
    
16.         /// <param name="fileName"></param>
    
17.         /// <returns></returns>
    
18.         public static string ReadPdf(string fileName)
    
19.         {
    
20.             if (!File.Exists(fileName))
    
21.             {
    
22.                 LogHandler.LogWrite(@"指定的PDF文件不存在：" + fileName);
    
23.                 return string.Empty;
    
24.             }
    
25.             //
    
26.             string fileContent = string.Empty;
    
27.             StringBuilder sbFileContent = new StringBuilder();
    
28.             //打开文件
    
29.             PdfReader reader = null;
    
30.             try
    
31.             {
    
32.                 reader = new PdfReader(fileName);
    
33.             }
    
34.             catch (Exception ex)
    
35.             {
    
36.                 LogHandler.LogWrite(string.Format(@"加载PDF文件{0}失败,错误:{1}", new string[] { fileName, ex.ToString() }));
    
37. 
    
38.                 if (reader != null)
    
39.                 {
    
40.                     reader.Close();
    
41.                     reader = null;
    
42.                 }
    
43. 
    
44.                 return string.Empty;
    
45.             }
    
46. 
    
47.             try
    
48.             {
    
49.                 //循环各页（索引从1开始）
    
50.                 for (int i = 1; i <= reader.NumberOfPages; i++)
    
51.                 {
    
52.                     sbFileContent.AppendLine(PdfTextExtractor.GetTextFromPage(reader, i));
    
53. 
    
54.                 }
    
55. 
    
56.             }
    
57.             catch (Exception ex)
    
58.             {
    
59.                 LogHandler.LogWrite(string.Format(@"解析PDF文件{0}失败,错误:{1}", new string[] { fileName, ex.ToString() }));
    
60. 
    
61.             }
    
62.             finally
    
63.             {
    
64.                 if (reader != null)
    
65.                 {
    
66.                     reader.Close();
    
67.                     reader = null;
    
68.                 }
    
69.             }
    
70.             //
    
71.             fileContent = sbFileContent.ToString();
    
72.             return fileContent;
    
73.         }
    
74.         /// <summary>
    
75.         /// 获取PDF页数
    
76.         /// </summary>
    
77.         /// <param name="fileName"></param>
    
78.         /// <returns></returns>
    
79.         public static int GetPdfPageCount(string fileName)
    
80.         {
    
81.             if (!File.Exists(fileName))
    
82.             {
    
83.                 LogHandler.LogWrite(@"指定的PDF文件不存在：" + fileName);
    
84.                 return -1;
    
85.             }
    
86.             //打开文件
    
87.             PdfReader reader = null;
    
88.             try
    
89.             {
    
90.                 reader = new PdfReader(fileName);
    
91.             }
    
92.             catch (Exception ex)
    
93.             {
    
94.                 LogHandler.LogWrite(string.Format(@"加载PDF文件{0}失败,错误:{1}", new string[] { fileName, ex.ToString() }));
    
95. 
    
96.                 if (reader != null)
    
97.                 {
    
98.                     reader.Close();
    
99.                     reader = null;
    
100.                 }
     
101. 
     
102.                 return -1;
     
103.             }
     
104.             //
     
105.             return reader.NumberOfPages;
     
106.         }
     
107.     }
     
108. }

复制代码

PDFBox辅助类

1. using org.pdfbox.pdmodel;
   
2. using org.pdfbox.util;
   
3. using System;
   
4. using System.Collections.Generic;
   
5. using System.IO;
   
6. using System.Text;
   
7. 
   
8. namespace eyuan
   
9. {
   
10.     public static class PdfBoxHandler
    
11.     {
    
12.         /// <summary>
    
13.         /// 使用PDFBox组件进行解析
    
14.         /// </summary>
    
15.         /// <param name="input">PDF文件路径</param>
    
16.         /// <returns>PDF文本内容</returns>
    
17.         public static string ReadPdf(string input)
    
18.         {
    
19.             if (!File.Exists(input))
    
20.             {
    
21.                 LogHandler.LogWrite(@"指定的PDF文件不存在：" + input);
    
22.                 return null;
    
23.             }
    
24.             else
    
25.             {
    
26.                 PDDocument pdfdoc = null;
    
27.                 string strPDFText = null;
    
28.                 PDFTextStripper stripper = null;
    
29. 
    
30.                 try
    
31.                 {
    
32.                     //加载PDF文件
    
33.                     pdfdoc = PDDocument.load(input);
    
34.                 }
    
35.                 catch (Exception ex)
    
36.                 {
    
37.                     LogHandler.LogWrite(string.Format(@"加载PDF文件{0}失败,错误:{1}", new string[] { input, ex.ToString() }));
    
38. 
    
39.                     if (pdfdoc != null)
    
40.                     {
    
41.                         pdfdoc.close();
    
42.                         pdfdoc = null;
    
43.                     }
    
44. 
    
45.                     return null;
    
46.                 }
    
47. 
    
48.                 try
    
49.                 {
    
50.                     //解析PDF文件
    
51.                     stripper = new PDFTextStripper();
    
52.                     strPDFText = stripper.getText(pdfdoc);
    
53. 
    
54.                   
    
55. 
    
56.                 }
    
57.                 catch (Exception ex)
    
58.                 {
    
59.                     LogHandler.LogWrite(string.Format(@"解析PDF文件{0}失败,错误:{1}", new string[] { input, ex.ToString() }));
    
60. 
    
61.                 }
    
62.                 finally
    
63.                 {
    
64.                     if (pdfdoc != null)
    
65.                     {
    
66.                         pdfdoc.close();
    
67.                         pdfdoc = null;
    
68.                     }
    
69.                 }
    
70. 
    
71.                 return strPDFText;
    
72.             }
    
73. 
    
74.         }
    
75.     }
    
76. }

复制代码

另外附上PDF转Image，然后对Image进行OCR的代码。


调用示例

1. 1 GhostscriptHandler ghostscriptHandler = new GhostscriptHandler();
   
2. 2                         string tempJpgFileName = string.Format(GhostScriptImageName, Guid.NewGuid().ToString());
   
3. 3                         int pdfPageCount = ITextSharpHandler.GetPdfPageCount(fileName);
   
4.                          ghostscriptHandler.Convert(fileName, tempJpgFileName, 1, pdfPageCount, "jpeg", 100, 100);
   
5.                         fileContent = AspriseOCRHandler.ReadImage(fileName);

复制代码

---

作者: hejin67410    时间: 2015-9-6 09:02
谢谢分享

---

欢迎光临 黑马程序员技术交流社区 (http://bbs.itheima.com/)

黑马程序员IT技术论坛 X3.2