在 pdf 文件中搜索字符串答案

【问题标题】：Searching for a string in a pdf files在 pdf 文件中搜索字符串
【发布时间】：2011-06-26 01:19:38
【问题描述】：

我正在处理一个包含多个 pdf 文件的学校项目。应该有一个按名称搜索的功能，我只需输入学生的名字，所有带有他/她名字的 pdf 文件都应该打开。做这个的最好方式是什么？我在网上寻找解决方案，但我想出的只是 iTextSharp，这让我更加困惑。

这可能吗？也许有人可以给我一个教程的链接，或者什么。 :) 非常感谢。

【问题讨论】：

标签： c# .net string search pdf

【解决方案1】：

使用 iTextSharp。它是免费的，您只需要“itextsharp.dll”。

http://sourceforge.net/projects/itextsharp/

这是一个从 PDF 中读取文本的简单函数。

Public Shared Function GetTextFromPDF(PdfFileName As String) As String
    Dim oReader As New iTextSharp.text.pdf.PdfReader(PdfFileName)

    Dim sOut = ""

    For i = 1 To oReader.NumberOfPages
        Dim its As New iTextSharp.text.pdf.parser.SimpleTextExtractionStrategy

        sOut &= iTextSharp.text.pdf.parser.PdfTextExtractor.GetTextFromPage(oReader, i, its)
    Next

    Return sOut
End Function

现在您可以轻松搜索这些文件了。

【讨论】：

【解决方案2】：

PDF 是一个非常复杂的规范，可能会创建如此多的变体，以至于无法可靠地解析，除非您使用与创建它时使用的工具相同的工具来阅读它（而且通常甚至不是这样）。有几种工具可以将 PDF 展平为文本字符串（例如 pdf2text），并且可以搜索这些工具，但不可靠。

许多 PDF 工具只实现了部分规范。有人建议搜索 PDF 的最佳方法是将其缩小为图像，然后进行 OCR。

【讨论】：

【解决方案3】：

我认为你的任务可能会被拆分如下：

建立 PDF 文件索引
编写一些代码，以便在执行搜索时使用索引来定位相关 PDF
编写一些代码以打开找到的 PDF 或在未找到任何内容时显示警告

要建立索引，您可以使用一些集成的解决方案，如Apache Lucene 或Lucene.Net 或将每个 PDF 转换为文本并自己从文本构建索引。

其他两个步骤相当简单，取决于第一步使用的语言/技术。

您的问题被标记为与 .NET 相关，因此您可以尝试 Docotic.Pdf library 进行索引构建（免责声明：我为 Bit Miracle 工作）。

Docotic.Pdf 可用于从 PDF 文件中提取文本作为纯文本或文本块的集合以及每个块的坐标。

【讨论】：