相关疑难解决方法(0)

我需要一个.NET库,以便使用它从PDF,Excel和Word文件中提取文本数据.

理想情况下,免费工具!

你会推荐吗？

非常感谢,

我必须在 mongodb 中存储一个 tiff（标签图像文件格式）或 pdf 扫描文件，这些文件应该可以进行文本搜索。就像如果我们想“基于文本”搜索它应该能够搜索 .

我将使用 .net mvc 或 java 和 mongodb 。

那么我如何存储这个 pdf 文件，然后可以从数据库中检索。

任何建议将不胜感激。

谢谢

有没有可靠的方法从PDF中提取文本？首先想到的是PDF可能有多列,提取机制需要以某种方式知道逻辑结构.我知道一些PDF文档被"标记"但我需要支持几乎任何PDF文档.

在这里救援的任何第三方组件？

这是我的示例代码:

CodeSnippet 1:此代码在我的文件存储库服务器中执行,并使用WCF服务将文件作为编码字符串返回:

byte[] fileBytes = new byte[0];
using (FileStream stream = System.IO.File.OpenRead(@"D:\PDFFiles\Sample1.pdf"))
{
    fileBytes = new byte[stream.Length];
    stream.Read(fileBytes, 0, fileBytes.Length);
    stream.Close();
}

string retVal = System.Text.Encoding.Default.GetString(fileBytes);  // fileBytes size is 209050

代码片段2:客户端框,需要PDF文件,接收编码的字符串并转换为PDF并保存到本地.

byte[] encodedBytes = System.Text.Encoding.Default.GetBytes(retVal); /// GETTING corrupted here

string pdfPath = @"C:\DemoPDF\Sample2.pdf";
using (FileStream fileStream = new FileStream(pdfPath, FileMode.Create))  //encodedBytes is 327279
{
    fileStream.Write(encodedBytes, 0, encodedBytes.Length);
    fileStream.Close();
}

上面的代码工作绝对精美Framework 4.5,4.6.1

当我在Asp.Net Core 2.0中使用相同的代码时,它无法正确转换为字节数组.我没有收到任何运行时错误,但是最终的PDF在创建后无法打开.pdf文件损坏时引发错误.

我也试过了Encoding.Unicode和Encoding.UTF-8.但是为最终PDF获得相同的错误.

另外,我注意到当我使用Encoding.Unicode时,至少原始字节数组和结果字节数组大小相同.但是其他编码类型也与字节大小不匹配.

那么,问题是,在.NET Core 2.0中,System.Text.Encoding.Default.GetBytes被破坏了吗？

我已经编辑了我的问题以便更好地理解. Sample1.pdf存在于不同的服务器上,并使用WCF进行通信,以将数据传输到存储文件编码流的Client,并转换为Sample2.pdf

希望我的问题现在有道理.