我有一个PDF文件，其中包含我们需要导入到数据库中的数据。 该文件似乎是打印的字母数字文本的PDF扫描。 看起来像10磅。 英语字体格式一种。
有没有可以让我认识到和解析这个文本工具或零件？
Answer 1:
我用pdftohtml成功剥离出表的PDF为CSV。 它是基于xpdf的 ，这是一个比较通用的工具，包括pdftotext 。 我只是把它包装成从C＃中的Process.Start呼叫。
如果你正在寻找的东西多一点DIY，还有的iTextSharp的图书馆- Java的的端口iText的 -和PDFBox的 （是的，它说爪哇-但他们有通过的方式.NET版本IKVM.NET ）。 下面是关于使用一些CodeProject上的文章iTextSharp的和PDFBox的从C＃。
而且，如果你真的受虐狂，你可以打电话到Adobe的PDF IFilter的与COM互操作。 该IFilter的规格非常简单，但我猜互操作的开销将是显著。
编辑：在重新阅读的问题，并随后回答后，它很清楚，OP正在处理他的PDF格式的图像 。 在这种情况下，你需要提取的图像（上面的PDF库能够做到这一点很容易），并通过OCR引擎运行。
我用MODI交互之前，体面的结果。 它的COM，所以从C＃调用它通过互操作也是可行的 ，漂亮简单 ：
' lifted from http://en.wikipedia.org/wiki/Microsoft_Office_Document_Imaging
Dim inputFile As String = "C:\test\multipage.tif"
Dim strRecText As String = ""
Dim Doc1 As MODI.Document
Doc1 = New MODI.Document
Doc1.Create(inputFile)
Doc1.OCR() ' this will ocr all pages of a multi-page tiff file
Doc1.Save() ' this will save the deskewed reoriented images, and the OCR text, back to the inputFile
For imageCounter As Integer = 0 To (Doc1.Images.Count - 1) ' work your way through each page of results
strRecText &= Doc1.Images(imageCounter).Layout.Text ' this puts the ocr results into a string
Next
File.AppendAllText("C:\test\testmodi.txt", strRecText) ' write the OCR file out to disk
Doc1.Close() ' clean up
Doc1 = Nothing
像其他的Tesseract ，但我与它的直接经验。 我听说过它好的和坏的东西，所以我想这在很大程度上取决于你的源质量。
Answer 2:
你不能提取从PDF扫描文本。 你需要OCR软件。 好消息是，有一些开源的应用程序，你可以尝试和OCR路线很可能是比使用PDF库中提取文本更容易。 退房正方体和GOCR。
Answer 3:
我已经发布有关分析PDF在我的博客之一。 命中此链接：
http://devpinoy.org/blogs/marl/archive/2008/03/04/pdf-to-text-using-open-source-library-pdfbox-another-sample-for-grade-1-pupils.aspx
编辑：链接没有长期工作。 下面转引自http://web.archive.org/web/20130507084207/http://devpinoy.org/blogs/marl/archive/2008/03/04/pdf-to-text-using-open-source-library -pdfbox-另一个样本换级-1- pupils.aspx
好了，下面是根据网络上提供的最典型的例子。 这样做是“读”的PDF文件，并将其输出作为在形式丰富的文本框控件文本。 对于.NET库PDFBox的可以从SourceForge下载。
您需要添加参考IKVM.GNU.Classpath＆PDFBox的-0.7.3。 而且，FontBox-0.1.0-dev.dll和PDFBox的-0.7.3.dll需要对您的应用程序的bin文件夹中。 出于某种原因，我不记得（也许是从教程之一），我也加入到仓IKVM.GNU.Classpath.dll。
在侧面说明，刚刚从亚马逊得到了我的“深入浅出C＃”复制（Keith的建议）。 这本书就是爽！ 这实在是写给初学者。 这个版本涵盖了VS2008和框架3.5。
干得好...
/* 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));
}
}
}
Answer 4:
在公司我曾经，我们使用ActivePDF工具取得了一些成功的工作：
http://www.activepdf.com/products/serverproducts/toolkit/index.cfm
我认为你至少需要标准版或专业版，但他们的审判，所以你可以看到，如果它会做你想要什么。
Answer 5:
快速谷歌搜索显示了这个充满希望的结果。 http://www.pdftron.com/net/index.html
Answer 6:
您可以使用一个模块像Perl的PDF中提取文本。 而使用其他工具导入相关信息到数据库中。
我相信有PDF组件.NET，但我还没有尝试过，所以我不知道什么是好。
Answer 7:
如果PDF是印刷文本的扫描，这将是很难（涉及到图像处理，文字识别等）来自己做。 PDF通常将存储扫描文件的JPEG文件作为内部。 您是使用第三方工具（OCR工具），这是否更好。
Answer 8:
我最近发现的ReportLab的 Python的。
Answer 9:
如果我得到它的权利，sheebz是问如何提取PDF字段和数据加载到数据库中。 你看iTextSharp的？ - http://sourceforge.net/projects/itextsharp/
Answer 10:
根据马克·布拉克特的回答，我创建了一个NuGet包包裹pdftotext 。
它是开源的 ，针对.NET标准1.6和.NET Framework 4.5。
用法：
using XpdfNet;
var pdfHelper = new XpdfHelper();
string content = pdfHelper.ToText("./pathToFile.pdf");
文章来源: Programmatically recognize text from scans in a PDF File [closed]
