Есть ли возможность извлечь простой текст из PDF файла с помощью PdfSharp? Я не хочу использовать iTextSharp из-за его лицензии.
Спасибо за ваши ответы.
EDIT: Я знаю, что это возможно. Но как мне это сделать?
Есть ли возможность извлечь простой текст из PDF файла с помощью PdfSharp? Я не хочу использовать iTextSharp из-за его лицензии.
Спасибо за ваши ответы.
EDIT: Я знаю, что это возможно. Но как мне это сделать?
Принял Серхио ответ и сделал некоторые методы расширения. Я также изменил накопление строк в итераторе.
public static class PdfSharpExtensions
{
public static IEnumerable<string> ExtractText(this PdfPage page)
{
var content = ContentReader.ReadContent(page);
var text = content.ExtractText();
return text;
}
public static IEnumerable<string> ExtractText(this CObject cObject)
{
if (cObject is COperator)
{
var cOperator = cObject as COperator;
if (cOperator.OpCode.Name== OpCodeName.Tj.ToString() ||
cOperator.OpCode.Name == OpCodeName.TJ.ToString())
{
foreach (var cOperand in cOperator.Operands)
foreach (var txt in ExtractText(cOperand))
yield return txt;
}
}
else if (cObject is CSequence)
{
var cSequence = cObject as CSequence;
foreach (var element in cSequence)
foreach (var txt in ExtractText(element))
yield return txt;
}
else if (cObject is CString)
{
var cString = cObject as CString;
yield return cString.Value;
}
}
}
Я внедрил его так или иначе, как это сделал Дэвид. Вот мой код:
{
// ....
var page = document.Pages[1];
CObject content = ContentReader.ReadContent(page);
var extractedText = ExtractText(content);
// ...
}
private IEnumerable<string> ExtractText(CObject cObject )
{
var textList = new List<string>();
if (cObject is COperator)
{
var cOperator = cObject as COperator;
if (cOperator.OpCode.Name== OpCodeName.Tj.ToString() ||
cOperator.OpCode.Name == OpCodeName.TJ.ToString())
{
foreach (var cOperand in cOperator.Operands)
{
textList.AddRange(ExtractText(cOperand));
}
}
}
else if (cObject is CSequence)
{
var cSequence = cObject as CSequence;
foreach (var element in cSequence)
{
textList.AddRange(ExtractText(element));
}
}
else if (cObject is CString)
{
var cString = cObject as CString;
textList.Add(cString.Value);
}
return textList;
}
PDFSharp предоставляет все инструменты для извлечения текста из PDF. Используйте класс ContentReader
для доступа к командам на каждой странице и извлеките строки из операторов TJ/Tj.
Я загрузил простую реализацию в github.