【问题标题】：Extract text from pdf and word files从 pdf 和 word 文件中提取文本
【发布时间】：2010-09-06 16:33:55
【问题描述】：

如何在 C# 中从 pdf 或 word 文件中提取文本（删除粗体、图像和其他富文本格式媒体）？

【问题讨论】：

【解决方案1】：

您可以使用为索引服务设计/使用的过滤器。它们旨在从各种文档中提取纯文本，这对于在文档内部进行搜索很有用。您可以将它用于 Office 文件、PDF、HTML 等，基本上是任何具有过滤器的文件类型。唯一的缺点是您必须在服务器上安装这些过滤器，因此如果您无法直接访问服务器，这可能是不可能的。有些过滤器预装在 Windows 中，但有些过滤器，如 PDF，您必须自己安装。有关 C# 实现，请查看这篇文章：Using IFilter in C#

【讨论】：

这正是我所需要的。谢谢！

【解决方案2】：

PDF：

您有多种选择。

pdf转文本：
下载XPDF utilities。在 .zip 文件中有各种命令行实用程序。一个是pdftotext(.exe)。它可以从表现良好的 PDF 文件中提取所有文本内容。键入pdftotext -help 以了解其命令行参数。

Ghostscript：
安装latest version of Ghostscript (v.8.71)。 Ghostscript 是 PostScript 和 PDF 解释器。您也可以使用它从 PDF 中提取文本：

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

这会将input.pdf 第 3-7 页中包含的文本输出到标准输出。您可以通过将> /path/to/output.txt 附加到命令来将其重定向到文件。（检查以确保 PostScript 实用程序 ps2ascii.ps 存在于 Ghostscript 的 lib 子目录中。）

如果省略-dSIMPLE 参数，文本输出将猜测换行符和字间距。有关详细信息，请查看 ps2ascii.ps 文件本身中的 cmets。您甚至可以将该参数替换为 -dCOMPLEX 以获得额外的文本格式信息。

【讨论】：

【解决方案3】：

对于PDF，你有没有看过TallPDF

也检查一下这个：http://www.codeproject.com/KB/files/PDF_to_TEXT.aspx

【讨论】：

【解决方案4】：

使用 Word 对象模型，这是唯一可靠的方法，因为 Word 格式不开放，并且因版本而异。

【讨论】：

但是怎么样？这是没有代码示例的无用响应。

【解决方案5】：

您可能想查看 PDFBox。这是代码项目页面的链接，向您展示如何在 C# 以及其他有用的 cmets 中使用它。

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

对于 Word，使用 Word Object 模型的建议可能是最准确的。

【讨论】：

【解决方案6】：

Docotic.Pdf library 可用于从 PDF 文件中提取文本。

图书馆可以extract plain text and text with formatting。此外，可以使用库的 API 检索 collection of words 或带有边界矩形的字符。

免责声明：我为图书馆的供应商工作。

【讨论】：