如何使用免費PDF控件從PDF文檔中提取文本和圖片

 

         如何使用免費PDF控件從PDF文檔中提取文本和圖片

 

 

概要

 

現在手頭的項目有一個需求是從PDF文檔中提取文本和圖片，我以前也使用過像iTextSharp, PDFBox 這些免費的PDF插件，可是這次都測試了一下，或多或少有一些地方不是很滿意。最后同事推薦我使用免費的Spire.PDF，結果真是讓我驚喜。最重要的是，作為一家中國企業，他們還能提供完全沒有時差的免費中文技術支持。所以迫不及待的想和大家分享一下我的使用經驗。

 

開發環境需求

 

首先，從Codeplex官網下載免費的Spire.PDF ：http://freepdf.codeplex.com/。安裝好程序后，添加Spire.License.dll, Spire.Pdf.dll  這兩個引用到我們的工程程序。免費Spire.PDF支持.NET 2.0--.NET4.5版本。根據自己的項目需求添加相應文件夾里的.dll就可以。

 

 

 

操作步驟

 

前面提到過，我們需要從PDF文檔里將文本和圖片單獨獲取出來。使用Spire.PDF，只需要幾行代碼就能完成。下面是詳細的操作步驟。

1． 生成一個PDF,將文本和圖片添加到PDF里面。

2． 從PDF文檔中提取所有圖片。

3． 從PDF文檔中提取所有文本。

 

下面的代碼示例是講如何創建一個空的PDF文檔，將文本和圖片加進PDF。

 

           PdfDocument doc =  
          new PdfDocument(); 
          
PdfPageBase page = doc.Pages.Add(); 
          
      
          
 
          // 
          添加文本   
          
page.Canvas.DrawString( 
          " 
          Demo of extract text and imgae from PDF! 
          ", 
          
 
          new PdfFont(PdfFontFamily.Helvetica, 20f), 
          
 
          new PdfSolidBrush(Color.Black),  
          10,  
          10); 
          
      
          
 
          // 
          添加圖片 
          
PdfImage image = PdfImage.FromFile( 
          " 
          pdf.png 
          "); 
          
 
          float width = image.Width *  
          0.75f; 
          
 
          float height = image.Height *  
          0.75f; 
          
 
          float x = (page.Canvas.ClientSize.Width - width) /  
          2; 
          
page.Canvas.DrawImage(image, x,  
          60, width, height); 
          
      
          
PdfImage image2 = PdfImage.FromFile( 
          " 
          image.jpg 
          "); 
          
width = image2.Width *  
          0.75f; 
          
height = image2.Height *  
          0.75f; 
          
page.Canvas.DrawImage(image2, x- 
          100,  
          220, width, height); 
          
doc.SaveToFile( 
          " 
          sample.pdf 
          "); 
         

 

生成的PDF文件

 

  

 

下面的代碼將展示如何從PDF文檔中獲取圖片。同樣，也只需要幾行代碼。

 

PdfDocument doc =  new PdfDocument();

doc.LoadFromFile( " sample.pdf "); 
IList<Image> images =  new List<Image>();
foreach (PdfPageBase page  in doc.Pages)
{
if (page.ExtractImages() !=  null)
   {
      foreach (Image image  in page.ExtractImages())
         {
               images.Add(image);
          }
   }
}
doc.Close();
int index =  0;
foreach (Image image  in images)
{
  String imageFileName = String.Format( " Image-{0}.png ", index++);
  image.Save(imageFileName, ImageFormat.Png);
 }

 

 

運行后,所有的圖片被保存為了.png格式。在debug文件夾里可以看到我們從PDF文檔中獲取的兩幅圖像。

 

  

下面的代碼將顯示如何從PDF文檔中提取文本。

 

           PdfDocument doc =  
          new PdfDocument(); 
          
doc.LoadFromFile( 
          " 
          sample.pdf 
          "); 
          
  
          
StringBuilder buffer =  
          new StringBuilder(); 
          
 
          foreach (PdfPageBase page  
          in doc.Pages) 
          
{ 
          
    buffer.Append(page.ExtractText()); 
          
} 
          
doc.Close(); 
          
String fileName =  
          " 
          TextInPdf.txt 
          "; 
          
File.WriteAllText(fileName, buffer.ToString()); 
          
buffer =  
          null; 
          
  
          
  
         

 

提取的文本被保存為了.txt文件。詳情見下圖：

 

  

 

總結

   

    總的來說，網上有很多用來操作PDF文檔的第三方控件。Free Spire.PDF的優點在於免費，易用，大大節省了開發者的時間。但是免費版本在加載和寫出時，PDF頁面被限制在了十頁以內。不過這已經足夠我項目的需要了。如果你的項目超出限制，也有收費版Spire.PDF可以使用。官方提供30天免費試用。