使用任何开源/非许可包在 .NET Core 上从 PDF 中读取文本

Question

我需要阅读PDF并将其转换为.Txt。我尝试iTextSharp作为免费库，它运行良好但与 .NET Core 不兼容。

iTextSharp 中的代码片段

string prevPage = "";
for (int page = 5; page <= reader.NumberOfPages; page++)
{
  ITextExtractionStrategy its = new SimpleTextExtractionStrategy();
  var s = PdfTextExtractor.GetTextFromPage(reader, page, its);
  if (prevPage != s) sb.Append(s);
  prevPage = s;
}
reader.Close();

另外，我试过，iTextSharp.LGPLv2.Core但效果不如另一个，结果也不准确。

缺点之一iTextSharp.LGPLv2.Core是它不支持编码并导致提取的 PDF 文本中出现噪声

我的 stringbuilder 如下图所示：

Answer 1

方法：PDFPig（Apache：2.0 许可）

安装 Nuget 包PdfPig

在 .Net Core 3.1 上测试

using (var stream = File.OpenRead(pdfPath1))
using (UglyToad.PdfPig.PdfDocument document = UglyToad.PdfPig.PdfDocument.Open(stream))
{
    var page = document.GetPage(2);
    return string.Join(" ", page.GetWords());
}

方法：iTextSharp.LGPLv2.Core（GNU 通用公共许可证）

安装 Nuget iTextSharp.LGPLv2.Core

它是 iTextSharp (V4.1.6) 的最新 LGPL 版本到 .NET Core 的非官方端口。

在 .Net Core 3.1 上测试

var reader = new PdfReader(pdfPath1);
var streamBytes = reader.GetPageContent(1);
var tokenizer = new PrTokeniser(new RandomAccessFileOrArray(streamBytes));
var sb = new StringBuilder();
while (tokenizer.NextToken())
{
    if (tokenizer.TokenType == PrTokeniser.TK_STRING)
    {
         var currentText = tokenizer.StringValue;
         currentText = Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(currentText)));
         sb.Append(tokenizer.StringValue);
    }
}

Console.WriteLine("Extracted text "+sb);

方法：GrapeCity.Documents.PDF（许可）

Install Nuget-Package *GrapeCity.Documents.Pdf
Is 跨平台库允许创建、修改和分析 PDF 文档

在 .Net Core 3.1 上测试

    var doc = new GcPdfDocument();
    FileStream fs = new FileStream(pdfPath1, FileMode.Open, FileAccess.ReadWrite);
    doc.Load(fs);
    //To extract Page 1
    var tmap_page2 = doc.Pages[0].GetTextMap();
    tmap_page2.GetFragment(out TextMapFragment newFragment, out string Extractedtext);

    Console.WriteLine("Extracted Text: \n\n" +Extractedtext);