在.Net中阅读PDF文档
阅读PDF文档在.Net中是一个常见的需求。在寻找解决方法时，可以考虑使用PDFClown。然而，需要注意的是，虽然PDFClown可以帮助实现这一需求，但不推荐在大型或高负载的应用程序中使用它。PDFClown是根据LGPL许可证发布的，因此可以用于创建商业和私有软件。
解决方法：
1. 下载PDFClown库。可以在PDFClown的官方网站上找到下载链接。
2. 安装PDFClown库。将下载的PDFClown库文件添加到项目中。
3. 导入所需的命名空间。在代码中导入PDFClown库的命名空间。
4. 初始化PDF文档。使用PDFClown库的类和方法来初始化PDF文档。
5. 读取PDF文档内容。使用PDFClown库的类和方法来读取PDF文档的内容。可以使用循环来遍历文档中的每一页，并提取所需的信息。
6. 处理PDF文档数据。根据需求对读取到的PDF文档数据进行处理和分析。
7. 关闭PDF文档。在完成对PDF文档的操作后，使用PDFClown库的方法来关闭文档。
通过以上步骤，可以使用PDFClown库在.Net中读取PDF文档。然而，需要注意的是，PDFClown适用于一般的PDF阅读需求，对于大型或高负载的应用程序，可能需要考虑其他更强大和高效的解决方案。
在.NET中读取PDF文档的问题出现的原因是需要从PDF文件中提取文本内容。为了解决这个问题，可以使用iTextSharp库。下面是一个使用iTextSharp库的示例代码：
using System;
using System.IO;
using iTextSharp.text.pdf;
using System.Text.RegularExpressions;
namespace Spider.Utils
{
public class PDFParser
{
private static int _numberOfCharsToKeep = 15;
public bool ExtractText(string inFileName, string outFileName)
{
StreamWriter outFile = null;
try
{
PdfReader reader = new PdfReader(inFileName);
outFile = new StreamWriter(outFileName, false, System.Text.Encoding.UTF8);
Console.Write("Processing: ");
int totalLen = 68;
float charUnit = ((float)totalLen) / (float)reader.NumberOfPages;
int totalWritten = 0;
float curUnit = 0;
for (int page = 1; page <= reader.NumberOfPages; page++)
{
outFile.Write(ExtractTextFromPDFBytes(reader.GetPageContent(page)) + " ");
if (charUnit >= 1.0f)
{
for (int i = 0; i < (int)charUnit; i++)
{
Console.Write("#");
totalWritten++;
}
}
else
{
curUnit += charUnit;
if (curUnit >= 1.0f)
{
for (int i = 0; i < (int)curUnit; i++)
{
Console.Write("#");
totalWritten++;
}
curUnit = 0;
}
}
}
if (totalWritten < totalLen)
{
for (int i = 0; i < (totalLen - totalWritten); i++)
{
Console.Write("#");
}
}
return true;
}
catch
{
return false;
}
finally
{
if (outFile != null) outFile.Close();
}
}
public string ExtractTextFromPDFBytes(byte[] input)
{
if (input == null || input.Length == 0) return "";
try
{
string resultString = "";
bool inTextObject = false;
bool nextLiteral = false;
int bracketDepth = 0;
char[] previousCharacters = new char[_numberOfCharsToKeep];
for (int j = 0; j < _numberOfCharsToKeep; j++) previousCharacters[j] = ' ';
for (int i = 0; i < input.Length; i++)
{
char c = (char)input[i];
if (inTextObject)
{
if (bracketDepth == 0)
{
if (CheckToken(new string[] { "TD", "Td" }, previousCharacters))
{
resultString += "\n\r";
}
else
{
if (CheckToken(new string[] { "'", "T*", "\"" }, previousCharacters))
{
resultString += "\n";
}
else
{
if (CheckToken(new string[] { "Tj" }, previousCharacters))
{
resultString += " ";
}
}
}
}
if (bracketDepth == 0 &&
CheckToken(new string[] { "ET" }, previousCharacters))
{
inTextObject = false;
resultString += " ";
}
else
{
if ((c == '(') && (bracketDepth == 0) && (!nextLiteral))
{
bracketDepth = 1;
}
else
{
if ((c == ')') && (bracketDepth == 1) && (!nextLiteral))
{
bracketDepth = 0;
}
else
{
if (bracketDepth == 1)
{
if (c == '\\' && !nextLiteral)
{
resultString += c.ToString();
nextLiteral = true;
}
else
{
if (((c >= ' ') && (c <= '~')) ||
((c >= 128) && (c < 255)))
{
resultString += c.ToString();
}
nextLiteral = false;
}
}
}
}
}
}
for (int j = 0; j < _numberOfCharsToKeep - 1; j++)
{
previousCharacters[j] = previousCharacters[j + 1];
}
previousCharacters[_numberOfCharsToKeep - 1] = c;
if (!inTextObject && CheckToken(new string[] { "BT" }, previousCharacters))
{
inTextObject = true;
}
}
return CleanupContent(resultString);
}
catch
{
return "";
}
}
private string CleanupContent(string text)
{
string[] patterns = { @"\\\(", @"\\\)", @"\\226", @"\\222", @"\\223", @"\\224", @"\\340", @"\\342", @"\\344", @"\\300", @"\\302", @"\\304", @"\\351", @"\\350", @"\\352", @"\\353", @"\\311", @"\\310", @"\\312", @"\\313", @"\\362", @"\\364", @"\\366", @"\\322", @"\\324", @"\\326", @"\\354", @"\\356", @"\\357", @"\\314", @"\\316", @"\\317", @"\\347", @"\\307", @"\\371", @"\\373", @"\\374", @"\\331", @"\\333", @"\\334", @"\\256", @"\\231", @"\\253", @"\\273", @"\\251", @"\\221"};
string[] replace = { "(", ")", "-", "'", "\"", "\"", "à", "â", "ä", "À", "Â", "Ä", "é", "è", "ê", "ë", "É", "È", "Ê", "Ë", "ò", "ô", "ö", "Ò", "Ô", "Ö", "ì", "î", "ï", "Ì", "Î", "Ï", "ç", "Ç", "ù", "û", "ü", "Ù", "Û", "Ü", "", "", "«", "»", "", "'" };
for (int i = 0; i < patterns.Length; i++)
{
string regExPattern = patterns[i];
Regex regex = new Regex(regExPattern, RegexOptions.IgnoreCase);
text = regex.Replace(text, replace[i]);
}
return text;
}
private bool CheckToken(string[] tokens, char[] recent)
{
foreach (string token in tokens)
{
if ((recent[_numberOfCharsToKeep - 3] == token[0]) &&
(recent[_numberOfCharsToKeep - 2] == token[1]) &&
((recent[_numberOfCharsToKeep - 1] == ' ') ||
(recent[_numberOfCharsToKeep - 1] == 0x0d) ||
(recent[_numberOfCharsToKeep - 1] == 0x0a)) &&
((recent[_numberOfCharsToKeep - 4] == ' ') ||
(recent[_numberOfCharsToKeep - 4] == 0x0d) ||
(recent[_numberOfCharsToKeep - 4] == 0x0a))
)
{
return true;
}
}
return false;
}
}
}
这段代码使用iTextSharp库提供的功能，从PDF文件中提取文本内容，并将提取的文本保存到输出文件中。代码中的`ExtractText`方法接受输入文件名和输出文件名作为参数，返回一个布尔值，表示提取文本是否成功。`ExtractTextFromPDFBytes`方法使用iTextSharp库提供的功能从PDF字节数组中提取文本内容。`CleanupContent`方法清理提取的文本内容，将特殊字符替换为可读字符。`CheckToken`方法检查字符数组中是否包含特定的字符令牌。
根据用户的反馈，该代码在一些PDF文件中可能会出现问题，报告了“Index Out of Range”的错误。这可能是由于提取文本时出现了错误的字符索引。为了解决这个问题，可以检查代码中的字符索引是否超出范围，并进行适当的边界检查和处理。
使用iTextSharp库可以在.NET中读取PDF文档并提取文本内容。通过调用适当的方法，可以将PDF文件转换为可读的文本。如果在提取文本时出现问题，可以检查代码中的字符索引并进行适当的边界检查和处理，以解决问题。
从2008年回答这个问题以来，iTextSharp已经大大改进了他们的API。如果你从http://sourceforge.net/projects/itextsharp/下载他们的最新版本的API，你可以使用下面的代码片段将pdf中的所有文本提取到一个字符串中。
使用iTextSharp.text.pdf和iTextSharp.text.pdf.parser命名空间
定义一个名为PdfTextExtractor的静态类
在PdfTextExtractor类中定义一个名为pdfText的公共静态方法，该方法接受一个字符串类型的路径作为参数
在pdfText方法中，创建一个PdfReader对象，传入路径参数
创建一个空字符串text
使用一个循环遍历pdf的每一页，从每一页中提取文本，并将其添加到text字符串中
关闭PdfReader对象
返回text字符串
你可能不应该将你的类命名为PdfTextExtractor，因为它将与iTextSharp.text.pdf.parser中的类冲突。
iTextSharp已经转移到GitHub：http://github.com/itext/itextsharp
现在它是付费的商业项目。
它是AGPL许可的，所以只有在也是AGPL许可的情况下才能用于创建商业软件。如果你想开发商业的、专有的软件，你必须付费。
已经被弃用，被iText 7取代，网址是https://github.com/itext/itext7-dotnet。
**注意**如果你为一个商业公司写作，这是不可行的（与其他替代产品相比，成本太高了）。AGPL3实际上并不是开源的，除非你的项目和所有的消费者也是如此。这是一种让公司在开始时显得开源，然后直接从软件中获得巨额利润的工具。当然，人们应该得到报酬，如果他们想要的话！但这是一种诱骗和欺骗。所以要小心。
我不确定这个问题是否可以使用iText 4来解决，但AGPL许可证是在第5版引入的。之前的版本是在LGPL和MPL下可用的。所以有一个免费版本的iText（在一个方便的许可证下），尽管它可能有些过时。