如何在 VB.NET 或 C# 中使用 iTextSharp 高效地從 PDF 文件中提取文字？

在VB.NET 或C 中使用iTextSharp 提取PDF 內容

在建立強大且多功能的應用程式時，讀取PDF 文件的內容可能是一項常見任務。 iTextSharp 是一個功能強大的開源程式庫，為在 .NET 應用程式中管理 PDF 文件提供了全面的解決方案。

在從 PDF 文件中提取文字時，iTextSharp 提供了 PdfReader 類，這是一個重要的文字工具提取目的。此類別可讓您存取 PDF 文件的各個頁面，並在 SimpleTextExtractionStrategy 策略的協助下，您可以從這些頁面中擷取純文字內容。

要從基於圖像的 PDF 中提取文本，iTextSharp利用 Tesseract 等 OCR 引擎。這些引擎可識別並從圖像中提取文本，使您能夠從包含文字圖像的 PDF 中捕獲內容。

以下範例示範如何在VB.NET 或C# 中使用PdfReader 讀取PDF 內容：

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
using System;
using System.IO;
using System.Text;

public static class PdfReaderExample
{
    public static string ReadPdfFile(string filePath)
    {
        var sb = new StringBuilder();
        
        if (File.Exists(filePath))
        {
            var reader = new PdfReader(filePath);
            
            for (var page = 1; page <= reader.NumberOfPages; page++)
            {
                var strategy = new SimpleTextExtractionStrategy();
                var text = PdfTextExtractor.GetTextFromPage(reader, page, strategy);
                
                text = Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(text)));
                sb.Append(text);
            }
            
            reader.Close();
        }
        
        return sb.ToString();
    }
}

在此範例中：

• PdfReader 已初始化，允許存取PDF文件的內容。
• PDF 的每一頁皆使用 PdfTextExtractor 和 SimpleTextExtractionStrategy 進行處理。
• 擷取的文字將轉換為 UTF-8 編碼，以實現準確的文字表示。
• 最終提取的文字儲存在字串變數中並作為

透過利用iTextSharp 的功能，您可以輕鬆讀取PDF 檔案的內容，使您的應用程式能夠處理和分析PDF 文件。

以上是如何在 VB.NET 或 C# 中使用 iTextSharp 高效地從 PDF 文件中提取文字？的詳細內容。更多資訊請關注PHP中文網其他相關文章！