使用PDFBox解析PDF文档

昨天认识Expresso——正则编写、测试、分析利器中提到近期一项目需要解析PDF，使用的就是流行的PDFBox组件。

PDFBox是Java实现的PDF文档协作类库，提供PDF文档的创建、处理以及文档内容提取功能，也包含了一些命令行实用工具。

主要特性包括：

• 开源（BSD许可）
• 从PDF提取文本
• 合并PDF文档
• PDF文档加密与解密
• 与Lucene搜索引擎的集成
• 填充PDF/XFDF表单数据
• 从文本文件创建PDF文档
• 从PDF页面创建图片
• 打印PDF文档

官方网址：http://www.pdfbox.org

下载地址：http://sourceforge.net/projects/pdfbox/

 

既然是Java库，要在.NET中使用，需要另一弓虽的开源组件——IKVM——转为.NET（包括Mono and the Microsoft .NET Framework）实现的JVM。

 

下载包中包含了多个.NET环境的DEMO，最新版本是 0.7.3。

 

基本上，在.NET中使用PDFBox从PDF解析文本需要下面4个组件：

IKVM.GNU.Classpath.dll

PDFBox-0.7.3.dll

FontBox-0.1.0-dev.dll

IKVM.Runtime.dll

当使用VS进行开发时，添加对前两个dll的引用，并将后两个dll置于运行目录。

只需要下面几行代码：

using org.pdfbox.pdmodel;
using org.pdfbox.util;

            string pdfPath = @"C:\my.pdf";
            PDDocument doc = PDDocument.load(pdfPath);
            PDFTextStripper stripper = new PDFTextStripper();
            string txt = stripper.getText(doc);
            Console.WriteLine(txt);

 

可针对某些页面提取文本，代码如下

            //...
            PDFTextStripper stripper = new PDFTextStripper();
            stripper.setStartPage(2);
            stripper.setEndPage(10);
            string txt = stripper.getText(doc);
            //...

还可通过stripper.setStartBookmark(...) 和  stripper.setEndBookmark(...)设置书签，

更多的文本提取功能见：http://www.pdfbox.org/userguide/text_extraction.html

 

其他PDF解析工具还有：

http://itextsharp.sourceforge.net/

http://www.codeproject.com/KB/cs/PDFToText.aspx