使用 C# 提取 PDF 文件中的所有文字（支持 .NET Core）

PDF 是 Portable Document Format 的简称，意为“可携带文档格式”，是由 Adobe Systems 用于与应用程序、操作系统、硬件无关的方式进行文件交换所发展出的文件格式。PDF 文件以 PostScript 语言图象模型为基础，无论在哪种打印机上都可保证精确的颜色和准确的打印效果，即 PDF 会忠实地再现原稿的每一个字符、颜色以及图象。.

鉴于 PDF 文件格式比较复杂，一般通过第三方组件来对 PDF 进行操作，本文使用的是 itext7 。

官网：https://itextpdf.com/

NuGet： https://www.nuget.org/packages/itext7/

通过 NuGet 引入 itext7 组件之后，可以使用以下代码提取 PDF 文件中的文字：

using System.Collections.Generic;using iText.Kernel.Pdf;using iText.Kernel.Pdf.Canvas.Parser;using iText.Kernel.Pdf.Canvas.Parser.Listener;public static class PdfHelper{    public static IEnumerable<string> ExtractText(string filename)    {        using (var r = new PdfReader(filename))        using (var doc = new PdfDocument(r))        {            for (int i = 1; i < doc.GetNumberOfPages(); i++)            {                ITextExtractionStrategy strategy = new LocationTextExtractionStrategy();                string text = PdfTextExtractor.GetTextFromPage(doc.GetPage(i), strategy);                yield return text;            }        }    }}

示例代码：

var lines = PdfHelper.ExtractText("{PDF文件路径}").ToList();

需要注意的是：如果你的 PDF 文件是基于图片的扫描版，那么本文的代码是无法提取到文字的，你需要的是 OCR 技术。

董川民