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

在 VB.NET 或 C 中使用 iTextSharp 提取 PDF 内容

在构建强大且多功能的应用程序时，读取 PDF 文档的内容可能是一项常见任务。 iTextSharp 是一个功能强大的开源库，为在 .NET 应用程序中管理 PDF 文档提供了全面的解决方案。

在从 PDF 文件中提取文本时，iTextSharp 提供了 PdfReader 类，这是一个重要的文本工具提取目的。此类使您能够访问 PDF 文档的各个页面，并在 SimpleTextExtractionStrategy 策略的帮助下，您可以从这些页面中检索纯文本内容。

要从基于图像的 PDF 中提取文本，iTextSharp利用 Tesseract 等 OCR 引擎。这些引擎可识别并从图像中提取文本，使您能够从包含文本图像的 PDF 中捕获内容。

以下示例演示如何在 VB.NET 或 C# 中使用 PdfReader 读取 PDF 内容：

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();
    }
}

在此示例中：

• PdfReader 已初始化，允许访问 PDF文档的内容。
• PDF 的每一页均使用 PdfTextExtractor 和 SimpleTextExtractionStrategy 进行处理。
• 提取的文本将转换为 UTF-8 编码，以实现准确的文本表示。
• 最终提取的文本存储在字符串变量中并作为

通过利用 iTextSharp 的功能，您可以轻松读取 PDF 文件的内容，使您的应用程序能够处理和分析 PDF 文档。

以上是如何在 VB.NET 或 C# 中使用 iTextSharp 高效地从 PDF 文件中提取文本？的详细内容。更多信息请关注PHP中文网其他相关文章！