在日常辦公和開(kāi)發(fā)中，從 PDF 文件中提取文本是一項(xiàng)高頻需求。手動(dòng)復(fù)制粘貼不僅耗時(shí)，而且面對(duì)大量文檔時(shí)效率極低。傳統(tǒng)的自動(dòng)化方案往往依賴 Adobe Reader 等外部組件，不僅部署麻煩，遇到加密或掃描件更是難以處理。

本文將介紹如何使用免費(fèi)庫(kù) Free Spire.PDF for .NET ，無(wú)需安裝任何 PDF 閱讀器，輕松實(shí)現(xiàn)高精度、高可靠性的 PDF 文本提取。我們將從方案對(duì)比開(kāi)始，逐步講解環(huán)境搭建、核心代碼實(shí)現(xiàn)以及高級(jí)應(yīng)用技巧，并提供可直接運(yùn)行的示例。

PDF 文本提取方案對(duì)比

C# 實(shí)戰(zhàn)教程：三步完成 PDF 文本提取

1. 環(huán)境準(zhǔn)備

首先創(chuàng)建一個(gè) .NET 控制臺(tái)應(yīng)用程序（支持 .NET Framework 4.6.1+ 或 .NET Core 3.1+）。然后通過(guò) NuGet 安裝 Spire.PDF 庫(kù)。

在 Visual Studio 中打開(kāi)“程序包管理器控制臺(tái)”，輸入以下命令：

Install-Package FreeSpire.PDF

注意：免費(fèi)版對(duì)處理的 PDF 頁(yè)數(shù)有限制（如最多10頁(yè)），適用于個(gè)人或小型項(xiàng)目。

2. 提取單頁(yè)文本的核心代碼

下面演示如何加載一個(gè) PDF 文件，提取其中某一頁(yè)的所有文本，并保存到 TXT 文件中。

using System.IO;
using Spire.Pdf;
using Spire.Pdf.Texts;

namespace ExtractTextFromPage
{
    class Program
    {
        static void Main(string[] args)
        {
            // 1. 加載 PDF 文檔
            PdfDocument doc = new PdfDocument();
            doc.LoadFromFile("示例.pdf");

            // 2. 獲取指定頁(yè)面（Pages 集合從 0 開(kāi)始，此處獲取第 2 頁(yè)）
            PdfPageBase page = doc.Pages[1];

            // 3. 創(chuàng)建 PdfTextExtractor 對(duì)象，用于提取該頁(yè)文本
            PdfTextExtractor textExtractor = new PdfTextExtractor(page);

            // 4. 設(shè)置提取選項(xiàng)：提取頁(yè)面上所有文本
            PdfTextExtractOptions extractOptions = new PdfTextExtractOptions();
            extractOptions.IsExtractAllText = true;   // 提取全部文本

            // 5. 執(zhí)行提取
            string text = textExtractor.ExtractText(extractOptions);

            // 6. 將提取的文本寫入文件
            File.WriteAllText("提取指定頁(yè)面文本.txt", text);

            // 7. 釋放資源
            doc.Close();
        }
    }
}

關(guān)鍵參數(shù)說(shuō)明：

• PdfTextExtractor：文本提取器，綁定到指定頁(yè)面。
• PdfTextExtractOptions：提取選項(xiàng)，可設(shè)置提取范圍（全頁(yè)或矩形區(qū)域）。
• ExtractText()：執(zhí)行提取，返回該頁(yè)所有文本的字符串。

3. 高級(jí)應(yīng)用技巧

處理加密 PDF 文件

若 PDF 受密碼保護(hù)，只需在加載時(shí)傳入密碼（所有者密碼或用戶密碼均可，取決于文件權(quán)限）：

doc.LoadFromFile("加密.pdf", "password");

提取所有頁(yè)面文本

通過(guò)遍歷文檔的每一頁(yè)，將提取的文本合并：

StringBuilder allText = new StringBuilder();
foreach (PdfPageBase page in doc.Pages)
{
    PdfTextExtractor extractor = new PdfTextExtractor(page);
    PdfTextExtractOptions options = new PdfTextExtractOptions();
    options.IsExtractAllText = true;
    string pageText = extractor.ExtractText(options);
    allText.AppendLine(pageText);
}
File.WriteAllText("全部頁(yè)面文本.txt", allText.ToString());

提取指定區(qū)域的文本

有時(shí)我們只需要頁(yè)面中某個(gè)矩形區(qū)域內(nèi)的文本，可以通過(guò) ExtractArea 屬性指定區(qū)域（單位：點(diǎn)，1 點(diǎn) = 1/72 英寸）：

PdfTextExtractOptions options = new PdfTextExtractOptions();
options.ExtractArea = new System.Drawing.RectangleF(50, 100, 400, 300);  // 左、上、寬、高
string areaText = textExtractor.ExtractText(options);

技術(shù)組合建議

在實(shí)際項(xiàng)目中，PDF 文本提取往往不是終點(diǎn)，還需要結(jié)合其他功能實(shí)現(xiàn)完整的數(shù)據(jù)處理流程：

• 文本+格式提取：使用 PdfTextFinder 可以按樣式（字體、顏色、大?。┒ㄎ惶囟ㄎ谋?，便于提取標(biāo)題、關(guān)鍵詞等。
• 表格數(shù)據(jù)提取：若 PDF 中包含表格，使用 PdfTableExtractor 可以直接提取結(jié)構(gòu)化表格數(shù)據(jù)，返回 DataTable 或二維數(shù)組。
• 掃描件 OCR 集成：對(duì)于掃描版 PDF（圖片格式），可搭配 Spire.OCR 庫(kù)進(jìn)行光學(xué)字符識(shí)別，提取其中的文字信息。

總結(jié)

通過(guò) Free Spire.PDF for .NET，開(kāi)發(fā)者可以輕松繞過(guò)傳統(tǒng)方案的諸多限制，在 .NET 環(huán)境中實(shí)現(xiàn)穩(wěn)定、高效的 PDF 文本提取。其簡(jiǎn)潔的 API 設(shè)計(jì)大大降低了編碼難度，同時(shí)豐富的擴(kuò)展功能（如加密處理、區(qū)域提取、表格識(shí)別）可以滿足不同業(yè)務(wù)場(chǎng)景的需求。

到此這篇關(guān)于C#借助Free Spire.PDF for .NET實(shí)現(xiàn)輕松提取PDF文本的文章就介紹到這了,更多相關(guān)C#提取PDF文本內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論