如何使用免费PDF第三方插件从PDF文档中提取文本和图片

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，最后发现结果简直是让我惊喜。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中文免费技术支持。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dlls就可以。

操作步骤：

前面提到过，我的需求是从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这个需求。下面是详细的操作步骤。

1．生成一个PDF,画文本和图片到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(); 

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

//Add Picture
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

下面的代码将显示如何从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 images = new List();
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获取的PDF文档中的两幅图像。

下面的代码将显示如何从PDF文档中提取文本。同样，也只需要几行代码。

            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文档。详情见截图：

总结:

总的来说，网上有很多第三方PDF插件来操作PDF文档。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。不过这已经足够我的项目需要了。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。