從pdf和word文件中提取文本

Question

如何在C＃中從pdf或word文件中提取文本（刪除粗體，圖像和其他富文本格式的媒體）？

Answer 1

您可以使用爲索引服務設計/使用的過濾器。它們旨在從各種文檔中提取純文本，這對於在文檔內進行搜索很有用。您可以將它用於Office文件，PDF，HTML等，基本上任何具有過濾器的文件類型。唯一的缺點是你必須在服務器上安裝這些過濾器，所以如果你沒有直接訪問服務器，這可能是不可能的。某些過濾器預裝在Windows中，但有些過濾器，如PDF，必須自行安裝。對於C＃實現檢查這篇文章：Using IFilter in C#

Answer 2

對於PDF你看看TallPDF

還要檢查這個：http://www.codeproject.com/KB/files/PDF_to_TEXT.aspx

Answer 3

使用Word對象模型，它是唯一可靠的方法，因爲Word格式是不開放的，因版本不同而不同。

Answer 4

PDF：

您有各種選擇。

pdftotext：
下載XPDF utilities。在.zip文件中有各種命令行工具。一個是pdftotext(.exe)。它可以從行爲良好的PDF文件中提取所有文本內容。請鍵入pdftotext -help以瞭解其命令行參數。

的Ghostscript：
安裝latest version of Ghostscript（v.8.71）。 Ghostscript是一個PostScript和PDF解釋器。你可以用它來從PDF中提取文本：包含在3-7的input.pdf頁到stdout

gswin32c.exe^
-q^
-sFONTPATH=c:/windows/fonts^
-dNODISPLAY^
-dSAFER^
-dDELAYBIND^
-dWRITESYSTEMDICT^
-dSIMPLE^
-f ps2ascii.ps^
-dFirstPage=3^
-dLastPage=7^
input.pdf^
-dQUIET 

這將輸出文本。您可以通過在命令中附加> /path/to/output.txt將其重定向到文件。 （檢查以確保該的PostScript實用程序ps2ascii.ps存在於你的Ghostscript的lib子目錄。）

如果省略-dSIMPLE參數，文本輸出將被猜測換行和字間距。有關詳細信息，請查看ps2ascii.ps文件本身的註釋。您甚至可以用-dCOMPLEX替換該參數以獲取其他文本格式信息。

Answer 5

你可能想看看PDFBox。這裏是一個代碼項目頁面的鏈接，向您展示如何在C＃中使用它以及其他有用的評論。

http://www.codeproject.com/KB/string/pdf2text.aspx

至於Word中使用Word對象模型的建議可能是最準確的。

Answer 6

Docotic.Pdf library可用於從PDF文件中提取文本。

該庫可以extract plain text and text with formatting。此外，還可以使用庫的API檢索collection of words或邊界矩形的字符。

聲明：我爲圖書館的供應商工作。