web-dev-qa-db-fra.com

C # Extraire le texte de PDF en utilisant PdfSharp

Est-il possible d'extraire du texte brut d'un fichier PDF avec PdfSharp? Je ne veux pas utiliser iTextSharp à cause de sa licence.

c#texttext-extractionpdfsharp
35
der_chirurg

A pris la réponse de Sergio et a fait quelques méthodes d'extension. J'ai également changé l'accumulation de chaînes en un itérateur.

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;
        }
    }
}
26
Ronnie Overby

Je l'ai mis en œuvre de manière similaire à la façon dont David l'a fait. Voici mon code:

    {
        // ....
        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;
    }
13
Sergio

PDFSharp fournit tous les outils pour extraire le texte d'un PDF. Utilisez la classe ContentReader pour accéder aux commandes de chaque page et extraire les chaînes des opérateurs TJ/Tj.

J'ai téléchargé une implémentation simple sur github .

9
David Schmitt