使用PDFBox提取PDF文件中文本

        有时我们需要对PDF文件进行一些处理, 提取文本,合并等. 以前我们使用A-PDF Text Extractor免费工具,为什么不自己写一个呢?
现在我们可以使用PDFBox-0.7.3这个开源类库. 下载解包后引用:

   PDFBox-0.7.3.dll
   IKVM.GNU.Classpath.dll

        新建一个项目,代码很简单:

   1:          public static string ParseToTxtStringUsingPDFBox(string filename)

   2:          {

   3:              PDDocument doc = PDDocument.load(filename);

   4:              PDFTextStripper stripper = new PDFTextStripper();

   5:              return stripper.getText(doc);

   6:          }

        获得这个textString,再把它们写成磁盘文件就可以了, 像这样的方法:

   1:          public static void WriteToTextFile(string str,string txtpath)

   2:          {

   3:              if (string.IsNullOrEmpty(txtpath))

   4:                  throw new ArgumentNullException("Output file path should not be Null");

   5:   

   6:              using (var txtWriter = new StreamWriter(txtpath))

   7:              {

   8:                  txtWriter.Write(str);

   9:                  txtWriter.Close();

  10:              }

  11:          }

         其它的功能您可以自行发挥了. 这个类库目前支持:

• PDF to text extraction
• Merge PDF Documents
• PDF Document Encryption/Decryption
• Lucene Search Engine Integration
• Fill in form data FDF and XFDF
• Create a PDF from a text file
• Create images from PDF pages
• Print a PDF

 

  希望对您开发有帮助.

作者：Petter Liu
出处：http://www.cnblogs.com/wintersun/
本文版权归作者和博客园共有，欢迎转载，但未经作者同意必须保留此段声明，且在文章页面明显位置给出原文连接，否则保留追究法律责任的权利。
该文章也同时发布在我的独立博客中-Petter Liu Blog。