做C#开发久了,总会被问到一类很现实的需求:某个文件夹里有几百个PDF报表,老板要把里面的文字内容全部导出来,或者从一个PDF里自动提取关键字段。我第一次接到这个需求时觉得很简单,打开文件、遍历字符串,结果被一份扫描版合同和一份字体古怪的设计稿折磨了两天。今天把最终沉淀下来的一套C# PDF文字提取实战方案写出来,包括选型理由、完整代码和排查过程,希望对正在做同样事情的人有帮助。
这套方案不依赖平台,桌面端和服务端都能用。核心解决三类问题:纯文本PDF怎么快速提取、扫描版PDF怎么用OCR兜底、多个PDF批量处理时怎么避免性能坑。适合有基础C#经验、刚接手PDF解析任务的开发者,也适合想从零搭一个小工具的人。
1. 为什么PDF不能像txt那样直接读:先搞清楚文本层这回事
很多人最初把PDF当成普通文档,试图用File.ReadAllText直接读,结果是“乱码+刺啦刺啦”的二进制。这不能怪C#,而是PDF本身就不是为“文字提取”设计的。PDF是一份“排版快照”,它保存的是每个字符应该画在页面哪个位置、用什么字体、多大字号,而不是一段语义连贯的文本。
理解这点之后,你就会明白为什么同一个PDF在不同工具里提取结果可能千差万别,也明白为什么有些PDF看似是文字,提取出来却是乱码。所有C#库的本质,都是在解读PDF内部的内容流(Content Stream)。
1.1 一张“排版快照”与它隐藏的文本指令
PDF文件内部由对象构成,其中页面对象会引用一份内容流。内容流里有一系列绘图指令,比如“把字体设置为Arial”“在坐标(100,200)处显示字符'你'”“在坐标(130,200)处显示字符'好'”。这些指令更多是为了渲染页面,而不是给读者提供文本。
真正提取文字时,要处理的指令大致包括:
-
BT和ET:文本块的开始和结束 -
Tj:显示一个字符串 -
TJ:带字间距地显示一组字符串 -
Td/TD:移动文本位置 -
Tf:设置字体和字号 -
T*:换行
看起来简单,但难点在于编码映射。PDF字体可以使用WinAnsi、Identity-H、Identity-V等编码,还可能带ToUnicode CMap。如果字体没有提供ToUnicode映射,工具只能通过字体名称和字符码去猜Unicode,猜不出来就是乱码。
用一句话给非技术朋友类比:PDF像一张精心布置的舞台照片,你能看到每个演员站在哪儿,但台词分散在每个人的胸牌上,要按位置重新拼出来。C#库做的事就是“读胸牌并按位置拼台词”。
1.2 先给PDF做个体检:你是哪种PDF
我在动手写代码之前,一定会先搞清楚手上的PDF属于哪个类型,因为方案完全不同。你可以打开PDF,试着用阅读器选中一段文字:
- 如果文字能被选中、复制,说明有真实文本层,直接用PdfPig或iTextSharp提取即可。
- 如果不能选中,说明页面大概率是一张图片,需要OCR。
- 如果能选中一部分,另一部分不能,说明是混合型,常见于扫描件上面盖了电子章或插入了可选中签名。
- 如果打开时需要输密码,说明有加密限制,需要知道口令。
用C#判断也很简单。PdfPig打开文档后,读取某一页的 Page.Text ,如果出现白内容或者只有空格,基本可以断定该页没有可用的文本层。这里给个小函数:
public static bool PageHasText(UglyToad.PdfPig.Content.Page page)
{
string text = page.Text;
return !string.IsNullOrWhiteSpace(text);
}
后面批量处理时,这个探测函数会作为整个流程的“分流器”:有文本层的走PdfPig,没有的走OCR。这个设计很重要,因为OCR很慢,能不用就不用。
2. 选型对比:我用过的几套C# PDF文本提取方案
网上搜“C# 提取 PDF 文字”,能搜到一堆方案,但很多资料已经过时。我在实际项目里筛选过好几套,列个对比表供参考:
| 方案 | 许可证/费用 | 文本提取能力 | 坐标/结构 | 备注 |
|---|---|---|---|---|
| PdfPig | Apache 2.0,免费商用 | 强 | 支持 | 轻量、专注解析,我主力方案 |
| iTextSharp/iText7 | LGPL/AGPL,商用要授权 | 很强 | 支持 | 功能全,但许可证是深坑 |
| Spire.PDF | 免费版有页数/文字限制 | 中 | 支持 | 商业授权不便宜 |
| Aspose.PDF | 付费,有免费试用 | 很强 | 支持 | 适合企业采购,可以省事 |
| Windows.Data.Pdf |
212



被折叠的 条评论
为什么被折叠?



