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。

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。










