.NET 项目最快的 PDF-> 文本库答案

【问题标题】：Fastest PDF->text library for .NET project.NET 项目最快的 PDF-> 文本库
【发布时间】：2011-03-19 11:34:59
【问题描述】：

我正在尝试创建一个应用程序，它基本上是我的 PDF 收藏的目录。我们谈论的是包含数万个 PDF 的 15-20GB。我还计划包括一个全文搜索机制。我将使用 Lucene.NET 进行搜索（实际上是 NHibernate.Search），以及一个用于 PDF-> 文本转换的库。哪个是最好的选择？我正在考虑这些：

PDFBox
pdftotext（来自 xpdf）通过 c# 包装器
iTextSharp

编辑： 其他不错的选择似乎是使用 iFilters。与这些库相比，它们的性能（速度/质量）如何（Foxit/Adobe）？

商业图书馆可能是不可能的，因为它是我的私人项目，我真的没有商业解决方案的预算 - 尽管 PDFTextStream 看起来非常好。

据我所知，read pdftotext 比 PDFBox 快很多。与 pdftotext 相比，iTextSharp 的性能如何？或者也许有人可以推荐其他好的解决方案？

【问题讨论】：

标签： c# pdf itextsharp pdfbox xpdf

【解决方案1】：

如果是针对私人项目，这是否会进行持续的转换过程？例如。在你转换了 15-20Gb 之后你还要转换吗？

我问的原因是因为我想弄清楚速度是否是您的主要问题。例如，如果是我，转换图书馆的图书，我主要关心的是转换的质量，而不是速度。如有必要，我总是可以在晚上/周末结束转换！

【讨论】：

好的，你是对的。质量是第一位的。但我仍然需要性能，因为稍后我可能会添加批次（数百个）文档。此外，易用性会很好 - 为控制台 prog 编写包装器肯定比仅拥有 C# 库（例如 iTextSharp）更糟糕。

【解决方案2】：

我想使用任何库都可以，但是您想在搜索时搜索所有这些 20Gb 文件吗？

对于全文搜索，最好是您可以创建一个数据库，例如 sqlite 或客户端计算机上的任何本地数据库，读取所有 pdf 并将它们转换为纯文本并在首次添加时将其存储在数据库中。

您的数据库可以简单如下..

Table: PDFFiles
PDFFileID
PDFFilePath
PDFTitle
PDFAuthor
PDFKeywords
PDFFullText....

并且您可以在需要时搜索此表，这样您的搜索将非常快速，不受 pdf 类型的影响，而且只有在将 pdf 添加到您的收藏或修改时才需要从 pdf 到数据库的转换。

【讨论】：

是的，我打算一次搜索所有集合全文。但是你所说的已经处理好了，我将使用 NHibernate.Search，它将为我在 DB 中创建表并进行全文搜索。我现在需要的是将不同格式的文档（主要是 PDF，也包括 DJVU）转换为纯文本的方法，这样我就可以将其提供给 NHibernate.Search。

【解决方案3】：

Foxit PDF IFilter 桌面版免费

http://www.foxitsoftware.com/pdf/ifilter/

它会自动进行索引和搜索，但也许它们的索引也可供您使用。如果您打算在您销售或分发的应用程序中使用它，那么我想这不是一个好的选择，但如果它只是为了您自己，那么它可能会起作用。

福昕代码是我公司的PDF Reader/Text Extraction library 的核心，它不适合您的项目，但我可以保证底层福昕引擎结果的速度和质量。

【讨论】：

我很确定 Foxit IFilter 对于桌面使用是免费的。我的观点是，它用于我构建的商业软件中，而且速度快且性能好。