不同语言解析PDF内容都有各自的库，比如Java的pdfbox，.net的itextsharp。

c#解析PDF文本，关键代码可参考：

http://www.cnblogs.com/mahongbiao/p/7652788.html

此外也可使用OCR，关键代码可参考：

http://www.cnblogs.com/mahongbiao/p/3760867.html

这些类库解析PDF文本有一个弊端，就是可配置性不强，它们多数是用于PDF文件生成的，对于PDF文本内容的提取仅提供一两个函数供调用。

解析PDF文本，可使用xpdf，该工具为一命令行工具，因此可通过java或.net调用命令行执行。

c#调用示例代码：

 1             Process p = new Process();
 2             p.StartInfo.FileName = @"pdftotext.exe";
 3             p.StartInfo.UseShellExecute = false;
 4             p.StartInfo.RedirectStandardInput = true;
 5             p.StartInfo.RedirectStandardOutput = true;
 6             p.StartInfo.RedirectStandardError = true;
 7             p.StartInfo.CreateNoWindow = true;
 8             p.Start();
 9             p.StandardInput.WriteLine("test.pdf test.txt");
10             p.StandardInput.AutoFlush = true;
11             p.WaitForExit();
12             p.Close();

在使用itextsharp或者pdfbox解析某PDF文件时，文本内容以竖排的形式输出，不易解析信息。

而使用xpdf，则可以指定-layout参数，将其按照页面显示的布局方式输出。

下图为PDF样式：

下图为pdfBox、itextsharp解析出的内容样式：

下图为xpdf设置了layout后的解析样式：

 可以看出，使用xpdf解析出的内容较容易识别出有意义的数据项。

例子中的中文没有解析出来，可通过配置PDF中文字体解决，xpdf的另一个强项功能，就是它支持配置pdf字体，有些PDF内容通过itextsharp解析不出来的情况下，使用xpdf在配置了正确字体后可以解析出内容。

 

版权声明：本文为mahongbiao原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://www.cnblogs.com/mahongbiao/p/8484151.html