如何使用 Spire.PDF 或任何其他库以适当的格式将 pdf 文件读取为文本文件？

Question

如何使用 Spire.PDF 阅读 pdf 文件并将内容保存到文本文件？ 例如：这是pdf file，这是来自该pdf的desired text file

我尝试使用以下代码读取文件并将其保存到文本文件中

PdfDocument doc = new PdfDocument();
doc.LoadFromFile(@"C:\Users\Tamal\Desktop\101395a.pdf");

StringBuilder buffer = new StringBuilder();

foreach (PdfPageBase page in doc.Pages)
{
    buffer.Append(page.ExtractText());
}

doc.Close();
String fileName = @"C:\Users\Tamal\Desktop\101395a.txt";
File.WriteAllText(fileName, buffer.ToString());
System.Diagnostics.Process.Start(fileName);

但是output text file 的格式不正确。它有不必要的空格，并且一个完整的 para 被分成多行等。

如何在所需的文本文件中获得所需的结果？

此外，是否也可以检测和标记（如添加标签）粗体、斜体或下划线形式的文本？此外，对于具有多列文本的页面来说，问题也会更加严重。

Answer 1

使用iText

File inputFile = new File("input.pdf");

PdfDocument pdfDocument = new PdfDocument(new PdfReader(inputFile));

SimpleTextExtractionStrategy stes = new SimpleTextExtractionStrategy();
PdfCanvasProcessor canvasProcessor = new PdfCanvasProcessor(stes);
canvasProcessor.processPageContent(pdfDocument.getPage(1));

System.out.println(stes.getResultantText());

这是（如代码所示）一种基本/简单的文本提取策略。 更多高级示例可以在文档中找到。

Answer 2

使用 IronOCR

var Ocr = new IronOcr.AutoOcr();
var Results = Ocr.ReadPdf("E:\Demo.pdf");
File.WriteAllText("E:\Demo.txt", Convert.ToString(Results));

供参考https://ironsoftware.com/csharp/ocr/

使用这个你应该得到格式化的文本输出，但不是你想要的精确输出。

如果您想要准确的预解释输出，那么您应该检查付费 OCR 服务，例如 OmniPage capture SDK 和 Abbyy Finereader SDK

Answer 3

这就是 PDF 的本质。它基本上说“转到页面上的这个位置并将这个角色放在那里。”我对 Spire.PFF 一点也不熟悉；我使用 Java 和 PDFBox 库，但任何从 PDF 中提取文本的尝试都是启发式的，因此是不完美的。这是一个受到相当多关注的问题，并且某些应用程序的结果比其他应用程序更好，因此您可能需要调查所有可用选项。不过，我认为您必须清理结果。