以下は、iTextSharpを使用してPDFからテキストデータを抽出する方法の例です。あなたはそれをあなたが望むとおりに正確に実行させるためにそれをいじる必要があるでしょう、それは良いアウトラインだと思います。 StringBuilderを使用してテキストを格納する方法を確認できますが、SQLを使用するように簡単に変更できます。
static void Main(string[] args)
{
PdfReader reader = new PdfReader(@"c:\test.pdf");
StringBuilder builder = new StringBuilder();
for (int x = 1; x <= reader.NumberOfPages; x++)
{
PdfDictionary page = reader.GetPageN(x);
IRenderListener listener = new SBTextRenderer(builder);
PdfContentStreamProcessor processor = new PdfContentStreamProcessor(listener);
PdfDictionary pageDic = reader.GetPageN(x);
PdfDictionary resourcesDic = pageDic.GetAsDict(PdfName.RESOURCES);
processor.ProcessContent(ContentByteUtils.GetContentBytesForPage(reader, x), resourcesDic);
}
}
public class SBTextRenderer : IRenderListener
{
private StringBuilder _builder;
public SBTextRenderer(StringBuilder builder)
{
_builder = builder;
}
#region IRenderListener Members
public void BeginTextBlock()
{
}
public void EndTextBlock()
{
}
public void RenderImage(ImageRenderInfo renderInfo)
{
}
public void RenderText(TextRenderInfo renderInfo)
{
_builder.Append(renderInfo.GetText());
}
#endregion
}
ツールを使用してPDFからテキストを抽出してから、ファイルをバイナリリーダーに読み込みます。次に、データベースに保存します..テキストを抽出します使用するいくつかのツールがあります。最初に言及するのは次のとおりです。
- 2番目のツールは Adobe PDF iFilter で、PDFの変更と操作を処理するためのAdobeのツールです。 。
- また、 Foxit iFilter も同様のアセンブリであり、求めていることだけを実行できます。
- PDFボックス もご利用いただけます！
これらは最もよく知られており、文書化されたものです！次の例を確認してください。コードプロジェクトで次の例を試してください。
- 解析PDF PDFBoxとIKVM.NETを使用した.NET内のファイル
- PDF ITextSharp を含むドキュメントからプレーンテキストを抽出する単純なクラス
- IFilterインターフェイスを使用して、さまざまなドキュメントタイプからテキストを抽出します
- PDF C＃.NETで記述されたフォームのパーサー
これらは仕事をし、彼らは理解するのが難しくありません。彼らがあなたを助けてくれることを願っています：-）最後の注意：私と同様に、iTextSharpは、最もよく利用できる例を備えた最もよくドキュメント化されたライブラリであるためです。