C# 用 iTextSharp 将 PDF 转成文本

在当前的数字化时代，处理PDF文件已经成为开发人员的一项常见任务。特别是在使用C#语言进行软件开发时，经常需要将PDF文件中的内容提取出来，以便于进行进一步的处理或分析。在本教程中，我们将详细讲解如何使用iTextSharp库来将PDF文件转换成文本文件。 让我们了解一下iTextSharp库。iTextSharp是一个由iText Group开发的开源库，用于创建和操作PDF文件。它提供了大量的功能，使开发人员能够轻松地在C#项目中进行PDF相关的操作。由于本教程专注于如何将PDF内容转换为文本，所以我们将重点介绍与之相关的类和方法。 在代码示例中，首先引入了必要的命名空间和类库。System.IO提供了文件读写的类，如FileStream和StreamWriter；iTextSharp.text包含了用于PDF创建和处理的类，如PdfReader和PdfWriter；而iTextSharp.text.pdf.parser则包括了用于解析PDF文件的类，比如PRTokeniser和MyTextRenderListener。 接下来我们看到的核心类是ParsingPDF，它定义了将PDF转换为文本的方法。parsePdf方法接收两个参数：源PDF文件路径（src）和目标文本文件路径（dest）。该方法创建了PdfReader对象，它负责从指定路径加载PDF文件，同时使用StreamWriter来创建一个新的文本文件，用于存储提取出的文本。 在parsePdf方法内部，首先获取PDF文件的页数，然后遍历每一页。对于每一页，都使用PdfReader的GetPageContent方法获取页面内容的字节流，然后使用PRTokeniser类来解析这些字节流。PRTokeniser会识别出不同类型的标记（token），包括字符串（STRING）。当发现类型为STRING的标记时，将其字符串值写入到文本文件中。这样，PDF文件中的文本内容就逐步被提取并存储到了新的文本文件中。 Main方法是一个程序的入口点。它负责处理命令行参数，提供源PDF文件路径和可选的目标文本文件路径。如果只提供了一个参数，程序会使用PDF文件的基本名称来创建输出文件名；如果提供了两个参数，程序则会使用提供的输出文件路径。之后，通过调用parsePdf方法来执行转换操作，并计算执行所需的时间。异常处理确保了程序在出错时能够给出错误信息，并优雅地终止。 在代码示例的第二部分，我们看到了MyTextRenderListener类。这是一个实现了iTextSharp库中IRenderListener接口的自定义类，它用于监听PDF渲染过程中的各种事件。在这个例子中，主要关注于文本渲染事件。当遇到文本块开始和结束时，它会在输出中分别添加"<"和">"符号。RenderText方法用于捕获文本块的详细内容，并将其输出。这个监听器的实现可以帮助我们更精细地控制文本的提取过程。 需要指出的是，由于文档内容是通过OCR技术扫描得到，因此在解读代码时可能会遇到一些识别错误或遗漏。例如，在注释中出现的日期和代码行号可能并非原作者所写，而是OCR过程中的误识别，我们在理解时应忽略这些无关信息。 通过学习本教程，读者应当能够掌握使用C#和iTextSharp库将PDF文件转换成文本文件的基本方法。同时，了解了如何处理PDF中的文本提取，以及如何通过自定义IRenderListener来实现对文本提取过程的精确控制。这些知识不仅有助于日常开发任务的完成，也能为处理更复杂的PDF内容提取提供指导和思路。