以编程方式识别PDF文件中扫描的文本

我有一个PDF文件，其中包含我们需要导入数据库的数据。这些文件似乎是打印的字母数字文本的pdf扫描。看起来像10磅。《新罗马时报》

---

是否有任何工具或组件可以让我识别和解析此文本？

一个快速的谷歌搜索显示了这个有希望的结果。

---

您可以使用类似perl的模块来提取文本。并使用另一个工具将相关信息导入数据库

---

我确信有用于.NET的PDF组件，但我没有尝试过任何组件，因此我不知道什么是好的。

在我曾经工作过的一家公司，我们使用ActivePDF toolkit取得了一些成功：

---

我想你至少需要标准版或专业版，但他们有试用版，你可以看看它是否能满足你的需要。

我最近发现了Python。

如果PDF是打印文本的扫描，你自己很难做到（包括图像处理、字符识别等）。PDF通常会在内部以JPEG格式存储扫描的文档。您最好使用第三方工具（OCR工具）来实现这一点。

您无法从PDF中提取扫描文本。你需要OCR软件。好消息是，您可以尝试一些开源应用程序，OCR路线很可能比使用PDF库提取文本更容易。查看Tesseract和GOCR。

我曾经成功地将表格从PDF剥离到CSV。它基于，这是一个更通用的工具，包括。我只是把它包装成一个进程。从C#开始调用

如果你想找一些更DIY的东西，有一个库——Java的一个端口——和（是的，它说的是Java——但是他们有一个.NET版本）。这里有一些关于使用和来自C#的CodeProject文章

而且，如果你真的是一个受虐狂，你可以通过COM互操作调用Adobe。这是非常简单的，但我想互操作开销将是巨大的

编辑：在重新阅读问题和随后的答案后，很明显OP正在处理PDF中的图像。在这种情况下，您将需要提取图像（上面的PDF库可以相当容易地做到这一点），并通过OCR引擎运行它

我以前用过交互方式，效果不错。它是COM，因此通过interop从C#调用它也是一种非常好的方式：

---

其他人喜欢，但我有直接的经验。我听说过关于它的好消息和坏消息，所以我想这在很大程度上取决于你的源代码质量。

如果我没有弄错，sheebz会问如何提取PDF字段并将数据加载到数据库中。你看了吗

我在我的一个博客上发布了关于解析pdf的帖子。点击此链接：

编辑：链接不再工作。以下引自

下面是基于网络上流行的例子。 这样做的目的是“读取”pdf文件并将其作为文本输出到 窗体中的富文本框控件。.NET库的PDFBox可以是 从sourceforge下载

您需要添加对IKVM.GNU.Classpath和PDFBox-0.7.3的引用。及 此外，还需要添加FontBox-0.1.0-dev.dll和PDFBox-0.7.3.dll 应用程序的bin文件夹。不知什么原因，我想不起来了 （可能是其中一个教程中的内容），我还将其添加到了bin中 IKVM.GNU.Classpath.dll

在旁注上，我刚从Keith那里拿到了我的“头先C#”（Head First C# （建议）来自亚马逊。这本书很酷！它真的是为你而写的 初学者。本版本涵盖VS2008和框架3.5

给你

---

根据马克·布兰克特的回答，我创建了一个包装

它的目标是.net标准1.6和.net框架4.5

用法：

using XpdfNet;

var pdfHelper = new XpdfHelper();

string content = pdfHelper.ToText("./pathToFile.pdf");

---

这是一个极好的资源列表。。谢谢如果PDF来自扫描仪，那么它实际上只是一个图像，PDFbox将无法从中获取文本：。此外，请参见@jm4的答案上面的链接不再有效-获取“无法打开与数据提供商的连接”错误消息如果PDF是扫描图像，PDFBOX将无法从PDF中获取文本：PDF可以是文本和图像的任意组合。如果已经是文本，则不需要ocr。

/* Marlon Ribunal
 * Convert PDF To Text
 * *******************/

using System;
using System.Collections.Generic;
using System.Drawing;
using System.Windows.Forms;
using System.Drawing.Printing;
using System.IO;
using System.Text;
using System.ComponentModel.Design;
using System.ComponentModel;
using org.pdfbox.pdmodel;
using org.pdfbox.util;

namespace MarlonRibunal.iPdfToText
{
    public partial class MainForm : Form
    {
        public MainForm()
        {
            InitializeComponent(); 
        }

        void Button1Click(object sender, EventArgs e)    
        {    
            PDDocument doc = PDDocument.load("C:\\pdftoText\\myPdfTest.pdf");
            PDFTextStripper stripper = new PDFTextStripper();
            richTextBox1.Text=(stripper.getText(doc));
        }

     }
}

using XpdfNet;

var pdfHelper = new XpdfHelper();

string content = pdfHelper.ToText("./pathToFile.pdf");