如何从PDF，Word和Excel文档中提取文本？ [关闭](How to extract te

我需要一个.NET库，以便使用，我可以从PDF，Excel和Word文件中提取文本数据。

理想情况下，一个免费的工具！

你会推荐什么？

非常感谢，

Answer 1:

正如有人谁花了许多天寻找免费的解决方案（几乎）这个确切的问题，我可以告诉你还算老实，你不会找到一个免费的图书馆，将能够从所有这些格式中提取文本很好。我所知道的，唯一的图书馆做所有这些格式（更）伟大的工作是一个商业库，并且它不是真正原产于.NET，这是一个C ++ / COM库，用C ++ / CLI。 NET包装。

有哪些选择呢？

iTextSharp的 -这是一个从PDF文件中提取文本绝对精彩。虽然这个库的更新版本是商业友好（LGPL），作者决定，而不是他们想要的软件收费，所以他们相反，它发布了AGPL下，所以除非你想释放所有的源代码，你可能不希望使用这些版本之一。然而，在LGPL许可的最后一个版本（4.1.6）都可以在互联网上找到。这太问题有一个链接到一个版本是LGPL下。
PDFBOX -另一个PDF库。这其中，国际海事组织，是更好，因为它是在Apache 2.0许可。有与它的几个问题，因为它有时（也许很少）不会做的好工作作为iTextSharp的的。我认为这更多的事实，它比其他任何一个新库。 然而，我的这个库的经验是几个月前。该项目正在积极开发的，只是在上个月，52点的问题已经得到解决。我会继续在这一个我的眼睛。请注意，这是一个Java库。（请阅读下面的内容了，为什么我包括它的更多信息。）
POI或NPOI -这些是专门针对微软office文件，特别是2007年之前的格式，OLE二进制文件格式编写的库。它支持较新的OpenXML格式的，虽然我不知道如何成熟，库的一部分。 POI是java版本（以下保持阅读为什么我包括它的更多信息。），其中NPOI是土生土长的.NET版本。然而，NPOI只支持Excel文档，其中POI可以做文本提取更多类型。
打开XML SDK 2.0 -一个用于读取/修改办公室2007+（未加密的OpenXML）文件库中创建了微软自己！这对于这些类型的文档工作惊人库。然而，这是一个低级别的库，因此实际上并没有（据我所知），有它做的一切文本提取类。有一个非常好的例子，（我不知道它涵盖某些情况下，如文本在表格等）从Word文档，文本提取的这个SO答案
蒂卡 -再次，另一个Java库（！我不告诉你关于无故Java库继续阅读:)），这将是接近“一个库”为文本提取，你可以得到。蒂卡可以从许多不同类型的文件中提取元数据和结构化文本内容 ，使用现有的解析库。实际上它使用POI和PDFBOX引擎盖办公和PDF文档下。

非商业

dtSearch -这是一个图书馆，我很熟悉。它做了出色的工作，并且可以解析的文件格式可笑的量。然而，它的成本钱，可能是矫枉过正为您所需要的。这其实正是我们所需要的，但我们正在努力摆脱它自己，因为我们只用它来解析（它实际上是一个全文搜索引擎），并有大量的解析库，在那里，我们可以使用或修改以满足我们的需求，但它老老实实地打击所有这些其他库出来的水。正如我前面提到的，这也不是原生.NET代码。 A C ++ / CLI包装使用DLL和.NET运行之间intertop。

^{的IFilter可以使用，并在不同的问题提出了一些其他的SO答案被提及，但你会得到的文本是非结构化的。} ^{有时，它只是坏...不可读对于人类来说，至少。} ^{我相信的IFilter也弃用，这取决于许可证的问题，您可能无法重新分配他们。}

为什么我提到所有这些Java库？好吧，有两个原因。首先，有没有免费的 .NET等价物来接近这些Java库的质量。其次，你可以在.NET中使用这些库（我个人使用这些库这样做我自己，所以我可以为至少担保）使用IKVM 。这是.NET的Java里面的实现。这里是一个很好的例子，使用IKVM到提卡转换成可以在你的项目中使用.NET程序集。也许关于IKVM最可怕的事情是， 它只是工作！

编辑：我忘了该博客的作者实际上已经发布的代码，并转换在图书馆一个github上的项目。所以，如果你想快速检查出来，你可以这样做在那里。然而，这提卡和一岁多的更旧版本。如果你预期的效果都没有，我建议你自己与最新版本尝试它。

Answer 2:

你可以看看toxy.codeplex.com 。 Toxy是一个纯.NET文本提取框架。

它使用Toxy非常简单。例如，提取称为test.xlsx一个Excel表格文件。

ParserContext context = new ParserContext("test.xlsx");
ISpreadsheetParser parser = ParserFactory.CreateSpreadsheet(context);
ToxySpreadsheet ss = parser.Parse();
//then you can start handle the result - a ToxySpreadsheet object

Answer 3:

下面是从Word文档中抽取链接：

如何提取从C＃MS office文档文本

并为PDF我会用PDFsharp，它是开源的，并且具有在其网站上一些好的例子，例如：

http://pdfsharp.com/PDFsharp/

Answer 4:

对于文本从PDF提取iTextSharp的是真棒。它是免费和开源。

读取文本从PDF它使用这个库是很容易的。

Answer 5:

我会推荐阅读Aspose总这一点。几年前，我做了一个项目做几乎你问什么，并与使用不同版本的Office的Aspose（以使更改XML之前）之间的互操作办事处东西是最强大的库。你可能会做基于你在说什么也有些OCR。 它并不便宜 ，但我发现他们的API的相当坚实和它的作品你是问有关的文件类型的大多数版本。您应该能够使用免费试用，看看它是否会适合你的项目。我有阅读Aspose比我使用他们的工具在生产环境中其他没有隶属关系。

阅读Aspose总

Answer 6:

如果你只需要文本，那么你可以使用IFilter的。它不是一个单一的产品，但它是免费的。 IFilter的用于提取支持Microsoft索引服务中的文本。搜索关于IFilter的.NET C＃关于如何使用它的例子。如果您需要格式化文本，然后不正确的工具。它提取原始文本只有大量换行符。