如何使用免费PDF控件从PDF文档中提取文本和图片

如何使用免费PDF控件从PDF文档中提取文本和图片

概要

现在手头的项目有一个需求是从PDF文档中提取文本和图片，我以前也使用过像iTextSharp, PDFBox 这些免费的PDF插件，可是这次都测试了一下，或多或少有一些地方不是很满意。最后同事推荐我使用免费的Spire.PDF，结果真是让我惊喜。最重要的是，作为一家中国企业，他们还能提供完全没有时差的免费中文技术支持。所以迫不及待的想和大家分享一下我的使用经验。

开发环境需求

首先，从Codeplex官网下载免费的Spire.PDF ：http://freepdf.codeplex.com/。安装好程序后，添加Spire.License.dll, Spire.Pdf.dll 这两个引用到我们的工程程序。免费Spire.PDF支持.NET 2.0--.NET4.5版本。根据自己的项目需求添加相应文件夹里的.dll就可以。



操作步骤

前面提到过，我们需要从PDF文档里将文本和图片单独获取出来。使用Spire.PDF，只需要几行代码就能完成。下面是详细的操作步骤。

1． 生成一个PDF,将文本和图片添加到PDF里面。

2． 从PDF文档中提取所有图片。

3． 从PDF文档中提取所有文本。

下面的代码示例是讲如何创建一个空的PDF文档，将文本和图片加进PDF。

PdfDocument doc = new PdfDocument();
PdfPageBase page = doc.Pages.Add();

//添加文本
page.Canvas.DrawString("Demo of extract text and imgae from PDF!",
new PdfFont(PdfFontFamily.Helvetica, 20f),
new PdfSolidBrush(Color.Black), 10, 10);

//添加图片
PdfImage image = PdfImage.FromFile("pdf.png");
float width = image.Width * 0.75f;
float height = image.Height * 0.75f;
float x = (page.Canvas.ClientSize.Width - width) / 2;
page.Canvas.DrawImage(image, x, 60, width, height);

PdfImage image2 = PdfImage.FromFile("image.jpg");
width = image2.Width * 0.75f;
height = image2.Height * 0.75f;
page.Canvas.DrawImage(image2, x-100, 220, width, height);
doc.SaveToFile("sample.pdf");

生成的PDF文件



下面的代码将展示如何从PDF文档中获取图片。同样，也只需要几行代码。

PdfDocument doc = new PdfDocument();doc.LoadFromFile("sample.pdf");
IList<Image> images = new List<Image>();
foreach (PdfPageBase page in doc.Pages)
{
if (page.ExtractImages() != null)
{
foreach (Image image in page.ExtractImages())
{
images.Add(image);
}
}
}
doc.Close();
int index = 0;
foreach (Image image in images)
{
String imageFileName = String.Format("Image-{0}.png", index++);
image.Save(imageFileName, ImageFormat.Png);
}

运行后,所有的图片被保存为了.png格式。在debug文件夹里可以看到我们从PDF文档中获取的两幅图像。



下面的代码将显示如何从PDF文档中提取文本。

PdfDocument doc = new PdfDocument();
doc.LoadFromFile("sample.pdf");

StringBuilder buffer = new StringBuilder();
foreach (PdfPageBase page in doc.Pages)
{
buffer.Append(page.ExtractText());
}
doc.Close();
String fileName = "TextInPdf.txt";
File.WriteAllText(fileName, buffer.ToString());
buffer = null;

提取的文本被保存为了.txt文件。详情见下图：



总结

总的来说，网上有很多用来操作PDF文档的第三方控件。Free Spire.PDF的优点在于免费，易用，大大节省了开发者的时间。但是免费版本在加载和写出时，PDF页面被限制在了十页以内。不过这已经足够我项目的需要了。如果你的项目超出限制，也有收费版Spire.PDF可以使用。官方提供30天免费试用。