从 PDF 文件中提取文本

Question

我将 PDFBox 用于 C# .NET 项目。并且我在执行以下代码块时收到“TypeInitializationException”（'java.lang.Throwable' 的类型初始化程序引发了异常。）：

  FileStream stream = new FileStream(@"C:\1.pdf",FileMode.Open);

  //retrieve the pdf bytes from the stream.
  byte[] pdfbytes=new byte[65000];

  stream.Read(pdfbytes, 0, 65000);

 //get the pdf file bytes.
 allbytes = pdfbytes;

 //create a stream from the file bytes.
 java.io.InputStream ins = new java.io.ByteArrayInputStream(allbytes);
 string txt;

 //load the doc
 PDDocument doc = PDDocument.load(ins);
 PDFTextStripper stripper = new PDFTextStripper();

 //retrieve the pdf doc's text
 txt = stripper.getText(doc);
 doc.close();

异常发生在第三条语句：

PDDocument doc = PDDocument.load(ins);

我能做些什么来解决这个问题？

这是堆栈跟踪：

           at java.lang.Throwable.__<map>(Exception , Boolean )
   at org.pdfbox.pdfparser.PDFParser.parse()
   at org.pdfbox.pdmodel.PDDocument.load(InputStream input, RandomAccess scratchFile)
   at org.pdfbox.pdmodel.PDDocument.load(InputStream input)
   at At.At.ExtractTextFromPDF(InputStream fileStream) in
 C:\Users\Administrator\Documents\Visual Studio 2008\Projects\AtProject\Att\At.cs:line 61

InnerException 的内部异常：

• InnerException {"无法加载文件或程序集 'IKVM.Runtime, Version=0.30.0.0, Culture=neutral, PublicKeyToken=13235d27fcbfff58' 或其依赖项之一。系统找不到指定的文件。":"IKVM。运行时，版本=0.30.0.0，文化=中性，PublicKeyToken=13235d27fcbfff58"} System.Exception {System.IO.FileNotFoundException}

好的，我通过将PDFBox的一些.dll文件复制到我的bin文件夹来解决了前面的问题。但现在我收到了这个错误：expected='/'actual='.'--1 org.pdfbox.io.PushBackInputStream@283d742

除了使用 PDFBox 之外，还有其他选择吗？有没有其他可靠的库可以用来从 pdf 文件中提取文本。

Answer 1

您似乎缺少一些 PDFBox 库。你需要：

• IKVM.GNU.Classpath.dll
• PDFBox-X.X.X.dll
• FontBox-X.X.X-dev.dll
• IKVM.Runtime.dll

阅读此主题Read from a PDF file using C#。您可以在本主题的cmets中找到类似问题的讨论。

Answer 2

我发现 DLL 文件的版本是罪魁祸首。 前往http://www.netlikon.de/docs/PDFBox-0.7.2/bin/?C=M;O=A并下载以下文件：

• IKVM.Runtime.dll
• IKVM.GNU.Classpath.dll
• PDFBox-0.7.2.dll

然后将它们复制到 Visual Studio 项目的根目录中。右键项目并添加引用，找到所有3个并添加它们。

最后是我用来将 PDF 解析为文本的代码

C#

private static string TransformPdfToText(string SourceFile)
{
string content = "";
PDDocument doc = new PDDocument();
PDFTextStripper stripper = new PDFTextStripper();
doc.close();
doc = PDDocument.load(SourceFile);

try
{
content = stripper.getText(doc);
doc.close();
}
catch (Exception ex)
{
Console.WriteLine(ex.Message);
}
finally
{
doc.close();
}
return content;
}

Visual Basic

Private Function parseUsingPDFBox(ByVal filename As String) As String
    LogFile(" Attempting to parse file: " & filename)
    Dim doc As PDDocument = New PDDocument()
    Dim stripper As PDFTextStripper = New PDFTextStripper()
    doc.close()
    doc = PDDocument.load(filename)

    Dim content As String = "empty"
    Try
        content = stripper.getText(doc)
        doc.close()
    Catch ex As Exception
         LogFile(" Error parsing file: " & filename & vbcrlf & ex.Message)
    Finally
        doc.close()
    End Try
    Return content
End Function

Answer 3

有类似的问题，但不是 C++，而是 VisualBasic/VisualStudio；缺少的 dll 是“commons-logging.dll”；将此dll添加到bin目录后，一切正常