上传到 IIS Web App 时 PDF 到文本的转换？

Question

我研究了几个 C# DLL，但没有发现任何工作得特别好的。我的要求是：

• PDF 文档通过 ASPX 页面上传。
• 需要提取文本并将其与 PDF 一起存储在数据库中。
• 解决方案不能有复制 Web 应用程序的额外成本（所以如果我 知道 它会起作用，将考虑固定费用的解决方案，但不按安装付费）。
• 虽然良好的转化是最重要的，但用户可能希望上传 许多 一次生成 PDF 文件，因此速度也很重要。

将使用文本的下游进程设置为使用 PDF盒, ，这似乎运作良好。但：

• PDF盒 是用Java编写的，所以我需要将它作为一个单独的进程启动并检索结果（我拒绝通过以下方式使用它） IKVM).
• 默认情况下，它从磁盘文件读取，但为了简单性和速度，我更喜欢 标准输入->标准输出 筛选。修复 PDFBox 很简单，但从 C# 获取子进程的 I/O 却很乏味。
• 我知道我可以将新磁盘写入硬盘驱动器，启动 PDFBox，等待它退出，然后从硬盘驱动器（或其 标准输出），但这看起来很黑客并且可能会更慢。

我很惊讶我找不到 PDF 转换器配方，这似乎是一个常见的要求。那么，任何人都可以帮助我：

• 您使用的有效的固定转换解决方案 至少 也 PDF盒.
• 如果在 IIS 后面使用 stdio 过滤器确实是一个坏主意，请解释一下 为什么.

提前致谢。

Answer 1

我最初问如何将二进制数据写入 流程.标准输入 (流写入器）因为它只处理字符数据：答案是使用 流程.StandardInput.BaseStream (溪流).

此外，由于两个管道都可能填满（64KB 缓冲区 IIUC），因此我使用了以下模式：

• 生成一个线程来写入数据，然后设置一个标志，
• 生成一个线程来读取所有返回数据，然后设置一个标志，
• 循环调用 Thread.Sleep(100)，直到两个标志都被设置。
• 返回从进程读取的数据。

因此，除了将可执行文件放入 WebApp 中（或需要单独安装）这一黑客行为之外，这似乎工作正常 - 但我仍然需要进行一些滥用测试。

Answer 2

如果您可以在服务器上运行 Process()，则可以使用 XPDF http://www.foolabs.com/xpdf/ 其中一个实用程序是 PDFtoText，它能够提取 PDF 文件中的文本，甚至维护某种类型的布局。

以前，我听说过 Adob​​e 搜索和 MS Index 服务相结合也可以提取 PDF 文件文本的例子。