《C# 实现将 PDF 转文本的功能》
在现代办公和数据处理场景中，PDF 作为跨平台、格式稳定的文档格式被广泛使用。但当我们需要提取其中的文本内容进行编辑、分析或索引时，直接操作 PDF 文件往往不够便捷。通过 C# 实现 PDF 转文本的功能，可以高效地将文档内容转化为可编辑的纯文本格式，为后续处理提供基础。本文将详细介绍如何使用 C# 结合开源库 iTextSharp（或 iText7）和 PDFBox 的 .NET 封装版（如 PDFBox.NET）实现这一功能，涵盖基础实现、异常处理、性能优化及多线程处理等核心内容。
一、技术选型与库介绍
实现 PDF 转文本的核心在于解析 PDF 的页面内容并提取文本流。以下是常用的 .NET 库：
- iTextSharp（iText7 的 .NET 版本）：功能强大，支持 PDF 创建、修改和文本提取，但商业使用需购买许可证（AGPL 协议下开源版本需遵守条款）。
- PDFBox.NET：Apache PDFBox 的 .NET 封装，完全开源（Apache 2.0 协议），适合商业项目。
- PdfPig：轻量级开源库，专注于文本提取，性能较好。
本文以 iTextSharp 和 PDFBox.NET 为例，展示两种实现方式。
二、使用 iTextSharp 实现 PDF 转文本
1. 安装 NuGet 包
通过 Visual Studio 的 NuGet 包管理器安装 itext7（或旧版 itextsharp）：
Install-Package itext7
2. 基础实现代码
以下代码演示如何从 PDF 文件中提取文本：
using iText.Kernel.Pdf;
using iText.Kernel.Pdf.Canvas.Parser;
using System;
using System.IO;
public class PdfToTextConverter
{
public static string ExtractTextFromPdf(string filePath)
{
if (!File.Exists(filePath))
{
throw new FileNotFoundException("PDF 文件未找到", filePath);
}
using (var reader = new PdfReader(filePath))
using (var pdfDoc = new PdfDocument(reader))
{
var text = new System.Text.StringBuilder();
for (int i = 1; i 3. 异常处理与优化
实际项目中需处理以下异常：
- 文件权限不足
- PDF 加密或损坏
- 大文件内存占用
优化后的代码：
public static string ExtractTextFromPdfSafely(string filePath)
{
try
{
if (string.IsNullOrWhiteSpace(filePath))
throw new ArgumentException("文件路径不能为空");
using (var reader = new PdfReader(filePath))
using (var pdfDoc = new PdfDocument(reader))
{
var text = new System.Text.StringBuilder();
var pageCount = pdfDoc.GetNumberOfPages();
for (int i = 1; i 三、使用 PDFBox.NET 实现 PDF 转文本
1. 安装 NuGet 包
Install-Package PdfBox.Net
2. 基础实现代码
PDFBox.NET 的 API 更接近 Java 版本，代码如下：
using org.apache.pdfbox.pdmodel;
using org.apache.pdfbox.text;
using System;
using System.IO;
public class PdfBoxConverter
{
public static string ExtractTextWithPdfBox(string filePath)
{
if (!File.Exists(filePath))
throw new FileNotFoundException("PDF 文件未找到", filePath);
using (var document = PDDocument.Load(new FileStream(filePath, FileMode.Open)))
{
var textStripper = new PDFTextStripper();
return textStripper.GetText(document);
}
}
}
// 调用示例
var text = PdfBoxConverter.ExtractTextWithPdfBox(@"C:\test.pdf");
Console.WriteLine(text);
3. 处理加密 PDF
若 PDF 受密码保护，需提供密码：
public static string ExtractTextFromEncryptedPdf(string filePath, string password)
{
try
{
var loadParams = new LoadParams(filePath)
{
Password = password
};
using (var document = PDDocument.Load(loadParams))
{
var stripper = new PDFTextStripper();
return stripper.GetText(document);
}
}
catch (Exception ex)
{
Console.WriteLine($"解密失败: {ex.Message}");
return string.Empty;
}
}
四、性能优化与多线程处理
对于大文件或多文件批量处理，单线程可能效率低下。以下是一个多线程实现的示例：
using System.Collections.Concurrent;
using System.Threading.Tasks;
public class ParallelPdfProcessor
{
public static ConcurrentBag ProcessMultipleFiles(string[] filePaths)
{
var results = new ConcurrentBag();
Parallel.ForEach(filePaths, filePath =>
{
try
{
var text = PdfToTextConverter.ExtractTextFromPdfSafely(filePath);
results.Add($"文件: {filePath}\n内容长度: {text.Length}\n");
}
catch (Exception ex)
{
results.Add($"处理 {filePath} 失败: {ex.Message}");
}
});
return results;
}
}
// 调用示例
var files = new[] { @"C:\1.pdf", @"C:\2.pdf" };
var results = ParallelPdfProcessor.ProcessMultipleFiles(files);
foreach (var result in results)
{
Console.WriteLine(result);
}
五、高级功能扩展
1. 保留格式信息
若需保留换行符、缩进等格式，可在提取时记录位置信息（需深入解析 PDF 的布局对象）。
2. 筛选特定内容
通过正则表达式筛选关键信息（如日期、电话号码）：
var pattern = @"\d{3}-\d{4}-\d{4}"; // 示例：匹配电话号码
var matches = Regex.Matches(text, pattern);
foreach (Match match in matches)
{
Console.WriteLine(match.Value);
}
3. 输出为结构化数据
将文本按章节或段落分割，存储为 JSON：
using System.Text.Json;
public class PdfSection
{
public int PageNumber { get; set; }
public string Content { get; set; }
}
public static string ConvertToJson(string text)
{
var sections = new List();
// 假设按 "第X章" 分割（实际需更复杂的解析）
var chapters = text.Split(new[] { "第" }, StringSplitOptions.RemoveEmptyEntries);
foreach (var chapter in chapters)
{
sections.Add(new PdfSection { Content = chapter });
}
return JsonSerializer.Serialize(sections);
}
六、常见问题与解决方案
1. 提取的文本乱码
原因：PDF 使用非标准字体编码。解决方案：
- 尝试更新库版本
- 使用 OCR 工具（如 Tesseract）处理扫描件 PDF
2. 内存不足
对于超大文件，分页读取或使用流式处理：
// iText7 分页处理示例
public static void ProcessLargePdf(string filePath)
{
using (var reader = new PdfReader(filePath))
using (var pdfDoc = new PdfDocument(reader))
{
for (int i = 1; i 3. 商业使用许可
iTextSharp 的 AGPL 协议要求开源修改后的代码。若需闭源商业使用，建议：
- 购买 iText 商业许可证
- 选择 PDFBox.NET 或 PdfPig 等 Apache 2.0 协议库
七、完整示例项目结构
一个完整的控制台应用示例：
// Program.cs
using System;
class Program
{
static void Main(string[] args)
{
if (args.Length == 0)
{
Console.WriteLine("请指定 PDF 文件路径");
return;
}
var filePath = args[0];
var text = PdfToTextConverter.ExtractTextFromPdfSafely(filePath);
if (!string.IsNullOrEmpty(text))
{
Console.WriteLine("提取成功，保存到文件？(Y/N)");
var save = Console.ReadLine()?.ToUpper() == "Y";
if (save)
{
var outputPath = Path.Combine(
Path.GetDirectoryName(filePath),
Path.GetFileNameWithoutExtension(filePath) + ".txt");
File.WriteAllText(outputPath, text);
Console.WriteLine($"已保存至 {outputPath}");
}
}
}
}
八、总结与展望
通过 C# 实现 PDF 转文本功能，可以灵活应对文档处理需求。iTextSharp 适合需要精细控制的高级场景，而 PDFBox.NET 则提供了更宽松的开源许可。未来，随着 AI 技术的发展，结合 OCR 和自然语言处理（NLP）可以进一步提升文本提取的准确性和实用性。
关键词：C#、PDF转文本、iTextSharp、PDFBox.NET、多线程处理、异常处理、文本提取、NuGet、开源库、性能优化
简介：本文详细介绍了使用 C# 通过 iTextSharp 和 PDFBox.NET 库实现 PDF 转文本的功能，涵盖基础实现、异常处理、性能优化及多线程处理，适用于需要提取 PDF 文本内容的开发场景。
