如何通过 C# 实现 PDF 文本提取？

在日常办公和开发中，从 PDF 文件中提取文本是一项高频需求。手动复制粘贴不仅耗时，而且面对大量文档时效率极低。传统的自动化方案往往依赖 Adobe Reader 等外部组件，不仅部署麻烦，遇到加密或扫描件更是难以处理。
本文将介绍如何使用免费库 Free Spire.PDF for .NET ，无需安装任何 PDF 阅读器，轻松实现高精度、高可靠性的 PDF 文本提取。我们将从方案对比开始，逐步讲解环境搭建、核心代码实现以及高级应用技巧，并提供可直接运行的示例。
PDF 文本提取方案对比

对比维度传统方案痛点Spire.PDF 解决方案依赖环境需安装 Adobe Reader 等第三方软件完全独立的内核，无需任何外部依赖加密文件支持无法处理有密码保护的 PDF支持加载加密 PDF，只需提供密码即可开发复杂度需理解 COM 组件调用，代码繁琐 ★★★★☆纯 .NET 接口，简洁直观 ★★☆文档与社区官方文档零散，中文支持差提供完整的 API 文档及中文技术社区C# 实战教程：三步完成 PDF 文本提取

1. 环境准备

首先创建一个 .NET 控制台应用程序（支持 .NET Framework 4.6.1+ 或 .NET Core 3.1+）。然后通过 NuGet 安装 Spire.PDF 库。
在 Visual Studio 中打开“程序包管理器控制台”，输入以下命令：

1. Install-Package FreeSpire.PDF

复制代码

注意：免费版对处理的 PDF 页数有限制（如最多10页），适用于个人或小型项目。

2. 提取单页文本的核心代码

下面演示如何加载一个 PDF 文件，提取其中某一页的所有文本，并保存到 TXT 文件中。

1. using System.IO;
2. using Spire.Pdf;
3. using Spire.Pdf.Texts;
5. namespace ExtractTextFromPage
6. {
7.     class Program
8.     {
9.         static void Main(string[] args)
10.         {
11.             // 1. 加载 PDF 文档
12.             PdfDocument doc = new PdfDocument();
13.             doc.LoadFromFile("示例.pdf");
15.             // 2. 获取指定页面（Pages 集合从 0 开始，此处获取第 2 页）
16.             PdfPageBase page = doc.Pages[1];
18.             // 3. 创建 PdfTextExtractor 对象，用于提取该页文本
19.             PdfTextExtractor textExtractor = new PdfTextExtractor(page);
21.             // 4. 设置提取选项：提取页面上所有文本
22.             PdfTextExtractOptions extractOptions = new PdfTextExtractOptions();
23.             extractOptions.IsExtractAllText = true;   // 提取全部文本
25.             // 5. 执行提取
26.             string text = textExtractor.ExtractText(extractOptions);
28.             // 6. 将提取的文本写入文件
29.             File.WriteAllText("提取指定页面文本.txt", text);
31.             // 7. 释放资源
32.             doc.Close();
33.         }
34.     }
35. }

复制代码

关键参数说明：

• PdfTextExtractor：文本提取器，绑定到指定页面。
  
• PdfTextExtractOptions：提取选项，可设置提取范围（全页或矩形区域）。
  
• ExtractText()：执行提取，返回该页所有文本的字符串。
  

3. 高级应用技巧

处理加密 PDF 文件

若 PDF 受密码保护，只需在加载时传入密码（所有者密码或用户密码均可，取决于文件权限）：

1. doc.LoadFromFile("加密.pdf", "password");

复制代码

提取所有页面文本

通过遍历文档的每一页，将提取的文本合并：

1. StringBuilder allText = new StringBuilder();
2. foreach (PdfPageBase page in doc.Pages)
3. {
4.     PdfTextExtractor extractor = new PdfTextExtractor(page);
5.     PdfTextExtractOptions options = new PdfTextExtractOptions();
6.     options.IsExtractAllText = true;
7.     string pageText = extractor.ExtractText(options);
8.     allText.AppendLine(pageText);
9. }
10. File.WriteAllText("全部页面文本.txt", allText.ToString());

复制代码

提取指定区域的文本

有时我们只需要页面中某个矩形区域内的文本，可以通过 ExtractArea 属性指定区域（单位：点，1 点 = 1/72 英寸）：

1. PdfTextExtractOptions options = new PdfTextExtractOptions();
2. options.ExtractArea = new System.Drawing.RectangleF(50, 100, 400, 300);  // 左、上、宽、高
3. string areaText = textExtractor.ExtractText(options);

复制代码

技术组合建议

在实际项目中，PDF 文本提取往往不是终点，还需要结合其他功能实现完整的数据处理流程：

• 文本+格式提取：使用 PdfTextFinder 可以按样式（字体、颜色、大小）定位特定文本，便于提取标题、关键词等。
  
• 表格数据提取：若 PDF 中包含表格，使用 PdfTableExtractor 可以直接提取结构化表格数据，返回 DataTable 或二维数组。
  
• 扫描件 OCR 集成：对于扫描版 PDF（图片格式），可搭配 Spire.OCR 库进行光学字符识别，提取其中的文字信息。
  

总结

通过 Free Spire.PDF for .NET，开发者可以轻松绕过传统方案的诸多限制，在 .NET 环境中实现稳定、高效的 PDF 文本提取。其简洁的 API 设计大大降低了编码难度，同时丰富的扩展功能（如加密处理、区域提取、表格识别）可以满足不同业务场景的需求。

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！