Conversione da PDF a testo durante il caricamento su IIS Web App?

Question

Ho studiato diverse DLL C # e non ho trovato nessuna che funzioni particolarmente bene. I miei requisiti sono:

• I documenti PDF vengono caricati tramite una pagina ASPX.
• Il testo deve essere estratto e archiviato nel DB con il PDF.
• La soluzione non può avere costi aggiuntivi per la replica dell'app Web (quindi se so funzionerà, verrebbe considerata una soluzione a tariffa fissa, ma nessuna commissione per installazione).
• Sebbene le buone conversioni siano molto importanti, gli utenti potrebbero voler caricare molti file PDF contemporaneamente, quindi anche la velocità è importante.

Il processo a valle che consumerà il testo è impostato per utilizzare PDFBox , che sembra lavorare bene. Ma:

• PDFBox è scritto in Java, quindi ho bisogno di avviarlo come processo separato e recuperare i risultati (lo sto eliminando usando IKVM ).
• Di default legge dai file del disco, ma per semplicità e velocità preferirei un filtro stdin- > stdout . Risolvere PDFBox era semplice, ma ottenere I / O su un sottoprocesso da C # era noioso.
• So che potrei scrivere un nuovo disco sul disco rigido, avviare PDFBox, attendere che esca, quindi leggere dal disco rigido (o dal suo stdout ), ma sembra un hack e probabilmente sarà più lento.

Sono sorpreso di non riuscire a trovare una ricetta per il convertitore PDF, sembra un requisito comune. Quindi, qualcuno potrebbe aiutarmi con uno dei due:

• Una soluzione di conversione predefinita che usi che funziona almeno e PDFBox .
• Se usare un filtro stdio dietro IIS è davvero una cattiva idea, una spiegazione del perché .

Grazie in anticipo.

Answer 1

Inizialmente ho chiesto come scrivere i dati binari in un Process.StandardInput ( StreamWriter ) poiché gestisce solo i dati dei caratteri: la risposta è utilizzare Processo. StandardInput.BaseStream ( Stream ).

Inoltre, poiché entrambe le pipe potrebbero riempirsi (buffer IIUC da 64 KB), ho usato il seguente schema:

• Genera un thread per scrivere i dati, quindi imposta un flag
• Ha generato un thread per leggere tutti i dati di ritorno, quindi impostare un flag
• Ripeti finché non vengono impostati entrambi i flag, chiamando Thread.Sleep (100).
• Restituisce i dati letti dal processo.

Quindi, a parte l'aspetto hacker di inserire un eseguibile all'interno della WebApp (o richiedere un'installazione separata) questo sembra funzionare bene, ma ho ancora bisogno di fare dei test sugli abusi.

Answer 2

Se hai la possibilità di eseguire Process () sul tuo server, puoi utilizzare XPDF da http: // www .foolabs.com / xpdf / Uno dei programmi di utilità è PDFtoText che è in grado di estrarre testo i file PDF e persino di mantenere un tipo di layout.

Ai vecchi tempi, ho sentito parlare di esempi in cui la ricerca Adobe e il servizio MS Index combinati potevano estrarre anche il testo dei file PDF.