使用 C# 或经典 ASP (VBScript) 从 PDF 中提取文本的好方法是什么？[关闭]

Question

有没有一个好的库可以从 PDF 中提取文本？如果需要的话我愿意付出代价。

与 C# 或经典 ASP (VBScript) 一起使用的东西将是理想的，我还需要能够将页面与 PDF 分开。

这个问题 有一些有趣的东西，特别是 pdf转文本 但如果可以的话，我想避免调用外部命令行应用程序。

Answer 1

您可以使用 Windows 内置的 IFilter 接口从任何受支持的文件类型中提取文本和属性（作者、标题等）。它是一个 COM 接口，因此您可以使用 .NET 互操作工具。

您还必须从 Adob​​e 下载免费的 PDF IFilter 驱动程序。

Answer 2

这是一个很好的列表：PDF/C# 的开源库

其中大多数用于创建 PDF，但它们也应该具有读取功能。

还有这个： 文本

我以前只玩过iText。没什么大不了的。

Answer 3

我们用过 阿斯普斯 取得了良好的效果。

Answer 4

Docotic.Pdf 库 可用于从 PDF 文档中提取格式化文本或纯文本。

该图书馆可以阅读任何版本的PDF文档（达到最新发布的标准）。该库还支持页面提取。

示例代码链接：

• 如何从 PDF 中提取文本
• 如何提取PDF页面

免责声明：我为图书馆的供应商工作。

Answer 5

除了已批准的答案之外：还有替代的商业解决方案可以替代 Adob​​e IFilter 进行文本索引（提供类似的 API，但也提供额外的高级功能）：

1. 福昕 PDF IFilter: ：与 Adob​​e 的插件相比，提供更快的文本索引。
2. PDFLib PDF iFilter: ：包括对损坏的 PDF 文档的支持以及用于运行您自己的查询的附加 API。

如果您正在寻找可以从托管 .NET 应用程序和传统编程语言（例如经典 ASP 或 VB6）中使用的单一工具，那么这就是商业化的地方 ByteScout PDF 提取器 SDK 很适合，因为它提供了 .NET 和 ActiveX/COM API。

免责声明：我在 ByteScout 工作