C#读取PDF文本 C#如何提取PDF文件中的文字内容

夏晨大大_3665

夏晨大大_3665

2026-02-10

845人浏览

原创

推荐使用 iTextSharp.LGPLv2.Core(Install-Package iTextSharp.LGPLv2.Core)提取文本型 PDF;对扫描件需用 Ghostscript 转图 + Tesseract OCR;中文乱码优先检查字体嵌入,严重时换 PDFiumSharp。

c#读取pdf文本 c#如何提取pdf文件中的文字内容

用 iTextSharp 提取 PDF 文字最直接,但 NuGet 包名已变

iTextSharp 5.x 是老项目常用方案,但现在官方已停止维护,iTextSharp.LGPLv2.Core 是社区维护的兼容版,支持 .NET Core/.NET 5+。直接安装 Install-Package iTextSharp.LGPLv2.Core 即可,别用原版 iTextSharp(不支持新框架,且含 GPL 风险)。

提取逻辑简单:加载 PDF → 遍历每页 → 用 LocationTextExtractionStrategy 获取文本(它按阅读顺序拼接,比 SimpleTextExtractionStrategy 更可靠)。

示例关键代码:

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;

PdfReader reader = new PdfReader("sample.pdf");
StringBuilder text = new StringBuilder();
for (int i = 1; i <h3>PDF 含扫描图或加密时,iTextSharp 会静默失败</h3><p>iTextSharp 只能处理「文本型 PDF」——即内容本身是字符编码,不是图片。遇到扫描件(哪怕 OCR 过),它返回空字符串,也不报错。</p><p>判断方法:打开 PDF 用鼠标拖选文字,能复制就是文本型;不能复制、只能截图,就是图像型。</p><p>如果 PDF 被加密(即使没设密码,也可能有空密码或权限密码),<code>PdfReader</code> 构造时会抛 <code>BadPasswordException</code> 或 <code>InvalidPdfException</code>。需提前捕获并尝试用空字符串解密:</p><div class="aritcle_card flexRow artxards">
											<div class="artcardd flexRow">
												<a class="aritcle_card_img" rel="nofollow" href="/xiazai/skill2795" title="C#"><img
														src="https://img.php.cn/upload/skill/000/000/081/178936933912641.jpg" alt="C#" onerror="this.onerror='';this.src='/static/lhimages/moren/morentu.png'" ></a>
												<div class="aritcle_card_info flexColumn">
													<a rel="nofollow" href="/xiazai/skill2795" title="C#" class="overflowclass">C#</a>
													<p class="overflowclass">"避开 C# 常见错误——空陷阱、异步陷阱、LINQ 陷阱及资源泄漏。"</p>
												</div>
												<a rel="nofollow" href="/xiazai/skill2795" title="C#" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span>
												</a>
											</div>
										</div>
  • new PdfReader("file.pdf", "".ToCharArray()) 可绕过常见空密码
  • 若仍失败,说明有真实密码,必须提供才能继续

需要 OCR 时,得换 Tesseract + 图像预处理

对扫描 PDF,先用 Ghostscript 或 ImageMagick 将每页转为 PNG/JPEG,再喂给 Tesseract(OCR 引擎)。

关键点:

  • Tesseract 的 eng.traineddata 语言包必须放在 tessdata 目录下,且初始化时指定路径:new TesseractEngine(@"./tessdata", "eng", EngineMode.Default)
  • 图像质量影响极大:PDF 转图建议 DPI ≥ 300,灰度化 + 二值化(去噪)后再识别,否则错字率飙升
  • Tesseract .NET 封装推荐用 IronOcr(商业但易用)或 Tesseract.NET(免费但需手动配环境)

中文 PDF 常见乱码,根源在字体嵌入和编码映射

iTextSharp 默认用系统编码解析文本,但中文 PDF 多用自定义字体编码(如 GB2312、UTF-16BE 或 CID 字体),导致提取出“”或乱码。

缓解方式有限:

  • 确保 PDF 中文字体已完全嵌入(用 Adobe Acrobat 检查「属性 → 字体」)
  • 改用 UnicodeTextExtractionStrategy(部分版本支持,非标准类,需自行实现)
  • 更稳的路子是弃用 iTextSharp,换 PDFiumSharp(基于 Google PDFium)或 QuestPDF 生态中的解析模块,它们对 Unicode 支持更底层

真正难搞的是那些用图形指令画汉字(非文本对象)的 PDF,这种连 OCR 都救不了——本质就不是文本,只是看着像。

相关文章

极轻PDF
极轻PDF

专业的在线PDF工具,支持PDF编辑、转换、合并、压缩等多种功能,操作简单,处理高效,满足日常办公与学习中的PDF处理需求。

下载

相关标签:

c#

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系admin@php.cn

相关专题

更多
js 字符串转数组
js 字符串转数组

js字符串转数组的方法:1、使用“split()”方法;2、使用“Array.from()”方法;3、使用for循环遍历;4、使用“Array.split()”方法。本专题为大家提供js字符串转数组的相关的文章、下载、课程内容,供大家免费下载体验。

2023.08.03

1938

5

js截取字符串的方法
js截取字符串的方法

js截取字符串的方法有substring()方法、substr()方法、slice()方法、split()方法和slice()方法。本专题为大家提供字符串相关的文章、下载、课程内容,供大家免费下载体验。

2023.09.04

3224

5

java基础知识汇总
java基础知识汇总

java基础知识有Java的历史和特点、Java的开发环境、Java的基本数据类型、变量和常量、运算符和表达式、控制语句、数组和字符串等等知识点。想要知道更多关于java基础知识的朋友,请阅读本专题下面的的有关文章,欢迎大家来php中文网学习。

2023.10.24

6424

49

字符串介绍
字符串介绍

字符串是一种数据类型,它可以是任何文本,包括字母、数字、符号等。字符串可以由不同的字符组成,例如空格、标点符号、数字等。在编程中,字符串通常用引号括起来,如单引号、双引号或反引号。想了解更多字符串的相关内容,可以阅读本专题下面的文章。

2023.11.24

6629

6

java读取文件转成字符串的方法
java读取文件转成字符串的方法

Java8引入了新的文件I/O API,使用java.nio.file.Files类读取文件内容更加方便。对于较旧版本的Java,可以使用java.io.FileReader和java.io.BufferedReader来读取文件。在这些方法中,你需要将文件路径替换为你的实际文件路径,并且可能需要处理可能的IOException异常。想了解更多java的相关内容,可以阅读本专题下面的文章。

2024.03.22

8154

16

php中定义字符串的方式
php中定义字符串的方式

php中定义字符串的方式:单引号;双引号;heredoc语法等等。想了解更多字符串的相关内容,可以阅读本专题下面的文章。

2024.04.29

12714

11

go语言字符串相关教程
go语言字符串相关教程

本专题整合了go语言字符串相关教程,阅读专题下面的文章了解更多详细内容。

2025.07.29

6619

17

c++字符串相关教程
c++字符串相关教程

本专题整合了c++字符串相关教程,阅读专题下面的文章了解更多详细内容。

2025.08.07

7447

13

常用字符串方法大全
常用字符串方法大全

常用字符串方法大全

2025.08.08

3648

14

热门下载

更多
网站特效
/
网站源码
/
网站素材
/
前端模板

精品课程

更多
相关推荐
/
热门推荐
/
最新课程