.NET程序中通过C#代码轻松提取PDF文本

PDF格式因其跨平台兼容性强、安全性高等特点而被广泛使用。但PDF文档不易编辑，因此提取PDF文档的文本从而进行操作是一个常见的需求。提取PDF中的文本可以帮助我们对PDF文档进行内容再利用，从而制作新的PDF文档或将内容插入到其他格式的文档中。在.NET平台，我们可以使用简单的C#代码轻松实现PDF文档文本的提取。

本文所使用的方法需要用到Free Spire.PDF for .NET，NuGet：PM> Install-Package FreeSpire.PDF。

用C#提取PDF文本的操作步骤

库中提供了PdfTextExtractor类来处理PDF文档的文本提取。我们可以使用页面创建PdfTextExtractor对象，然后使用PdfTextExtractor.ExtractText()方法来提取页面文本。同时，PdfTextExtractOptions类能对提取选项进行设置，如设置是否保留布局和设置提取的页面区域。以下是一般操作步骤。

1. 创建PdfDocument对象。
2. 使用PdfDocument.LoadFromFile()方法载入PDF文档。
3. 使用PdfDocument.Pages[]属性获取指定页面，也可以遍历所有页面。
4. 使用页面创建PdfTextExtractor对象。
5. 创建PdfTextExtractOptions对象并设置提取选项。
6. 使用PdfTextExtractor.ExtractText(PdfTextExtractOptions)方法提取页面文本。
7. 将提取的文本写入文件或用于其他用途。
8. 释放资源。

提取PDF文本不保留文本布局

如果需要不保留文本布局直接提取文本内容，可以将PdfTextExtractOptions.IsSimpleExtraction属性设置为true来实现。以下是代码示例：

using Spire.Pdf;
using Spire.Pdf.Texts;
using System.Text;

namespace ExtractPDFText
{
    class Program
    {
        static void Main(string[] args)
        {
            // 创建PdfDocument对象
            PdfDocument pdf = new PdfDocument();

            // 载入PDF文档
            pdf.LoadFromFile("Sample.pdf");

            // 创建PdfTextExtractOptions对象，并设置不保留布局
            PdfTextExtractOptions extractOptions = new PdfTextExtractOptions();
            extractOptions.IsSimpleExtraction = true;

            // 创建StringBuilder对象以储存提取的文本
            StringBuilder extractedText = new StringBuilder();

            // 遍历文档页面
            foreach (PdfPageBase page in pdf.Pages)
            {
                // 使用页面创建PdfTextExtractor对象
                PdfTextExtractor extractor = new PdfTextExtractor(page);
                // 提取当前页面的文本
                string text = extractor.ExtractText(extractOptions);
                // 将提取到的文本添加到StringBuilder对象
                extractedText.Append(text);
            }

            // 将提取结果写入文本文件
            using (StreamWriter writer = new StreamWriter("output/ExtractedPDFText.txt", false, Encoding.UTF8))
            {
                writer.Write(extractedText.ToString());
            }

            // 释放资源
            pdf.Close();
        }
    }
}

结果

保留文本布局提取PDF文本

如果在提取PDF文本时需要保留PDF文本的布局（使用空格填补），则可以直接使用默认的提取选项提取PDF文本。以下是代码示例：

using Spire.Pdf;
using Spire.Pdf.Texts;
using System.Text;

namespace ExtractPDFTextAndLayout
{
    class Program
    {
        static void Main(string[] args)
        {
            // 创建PdfDocument对象
            PdfDocument pdf = new PdfDocument();

            // 载入PDF文档
            pdf.LoadFromFile("Sample.pdf");

            // 创建文本提取选项
            PdfTextExtractOptions extractOptions = new PdfTextExtractOptions();

            // 创建StringBuilder对象以储存提取的文本
            StringBuilder extractedText = new StringBuilder();

            // 遍历文档页面
            foreach (PdfPageBase page in pdf.Pages)
            {
                // 使用页面创建PdfTextExtractor对象
                PdfTextExtractor extractor = new PdfTextExtractor(page);
                // 提取当前页面的文本
                string text = extractor.ExtractText(extractOptions);
                // 将提取到的文本添加到StringBuilder对象
                extractedText.Append(text);
            }

            // 将提取结果写入文本文件
            using (StreamWriter writer = new StreamWriter("output/ExtractedPDFText.txt", false, Encoding.UTF8))
            {
                writer.Write(extractedText.ToString());
            }

            // 释放资源
            pdf.Close();
        }
    }
}

结果

提取PDF页面指定区域内的文本

我们还可以通过PdfTextExtractOptions.ExtractArea属性设置提取区域，从而实现提取页面上指定区域内的文本。以下是代码示例：

using Spire.Pdf.Texts;
using Spire.Pdf;

using System.Drawing;
using System.Text;

namespace ExtractPDFTextArea
{
    class Program
    {
        static void Main(string[] args)
        {
            // 创建PdfDocument对象
            PdfDocument pdf = new PdfDocument();

            // 载入PDF文档
            pdf.LoadFromFile("Sample.pdf");

            // 获取指定页面
            PdfPageBase page = pdf.Pages[0];

            // 创建PdfTextExtractor对象
            PdfTextExtractor extractor = new PdfTextExtractor(page);

            // 创建PdfTextExtractOptions对象
            PdfTextExtractOptions extractOptions = new PdfTextExtractOptions();
            // 设置要提取文本的矩形区域
            extractOptions.ExtractArea = new RectangleF(80, 100, 250, 150);

            // 提取页面上指定位置的文本
            string extractedText = extractor.ExtractText(extractOptions);

            // 将提取的文本写入文本文件
            File.WriteAllText("output/ExtractPDFPageAreaText.txt", extractedText, Encoding.UTF8);

            // 释放资源
            pdf.Close();
        }
    }
}

结果

本文演示了如何使用C#代码在.NET程序中提取PDF文档的文本内容。