萬盛學電腦網

您现在的位置: 萬盛學電腦網 >> 程式設計 >  >> 網路程式設計 >> ASP.NET 程式設計

使用 PDFBox 實現 PDF 文字提取與合併功能完整教學

為什麼選擇 PDFBox?

Apache PDFBox 是成熟的 Java PDF 函式庫,透過 IKVM 編譯為 .NET 組件,提供:

  • 純 .NET 運作,無需安裝 Adobe Acrobat
  • 開源免費 (Apache License 2.0)
  • 功能完整:文字提取、合併分割、加密解密、表單填寫、轉圖片、列印
  • 支援 PDF 1.7 規範 (ISO 32000-1)

環境準備

  1. 下載 PDFBox-0.7.3 for .NET (或較新版 PDFBox 2.x/3.x via NuGet)
  2. 參考兩個 DLL:
    • `PDFBox-0.7.3.dll` (核心)
    • `IKVM.GNU.Classpath.dll` (Java 執行環境)
  3. 專案目標框架:.NET Framework 4.x (舊版) 或 .NET Standard 2.0+ (新版)

核心功能實作

1. PDF 文字提取


using org.pdfbox.pdmodel;
using org.pdfbox.util;

public static string ExtractTextFromPdf(string pdfPath)
{
    using (var doc = PDDocument.load(pdfPath))
    {
        var stripper = new PDFTextStripper();
        return stripper.getText(doc);
    }
}

// 進階:指定頁面範圍
public static string ExtractTextFromPdf(string pdfPath, int startPage, int endPage)
{
    using (var doc = PDDocument.load(pdfPath))
    {
        var stripper = new PDFTextStripper();
        stripper.setStartPage(startPage);
        stripper.setEndPage(endPage);
        return stripper.getText(doc);
    }
}

// 進階:依區域提取 (座標篩選)
public static string ExtractTextByRegion(string pdfPath, int pageNum, Rectangle region)
{
    using (var doc = PDDocument.load(pdfPath))
    {
        var stripper = new PDFTextStripperByArea();
        stripper.addRegion("region1", region);
        stripper.extractRegions(doc.getPage(pageNum - 1));
        return stripper.getTextForRegion("region1");
    }
}

2. PDF 合併


public static void MergePdfs(string[] sourceFiles, string outputFile)
{
    using (var outputDoc = new PDDocument())
    {
        foreach (string file in sourceFiles)
        {
            using (var sourceDoc = PDDocument.load(file))
            {
                // 將來源文件所有頁面匯入目標文件
                var pages = sourceDoc.getDocumentCatalog().getAllPages();
                foreach (PDPage page in pages)
                {
                    outputDoc.addPage(page);
                }
            }
        }
        outputDoc.save(outputFile);
    }
}

// 串流版本 (不寫入磁碟)
public static byte[] MergePdfsToBytes(string[] sourceFiles)
{
    using (var outputDoc = new PDDocument())
    using (var ms = new MemoryStream())
    {
        foreach (string file in sourceFiles)
        {
            using (var sourceDoc = PDDocument.load(file))
            {
                foreach (PDPage page in sourceDoc.getDocumentCatalog().getAllPages())
                    outputDoc.addPage(page);
            }
        }
        outputDoc.save(ms);
        return ms.ToArray();
    }
}

3. 文字寫入檔案輔助方法


public static void WriteToTextFile(string text, string filePath)
{
    if (string.IsNullOrEmpty(filePath))
        throw new ArgumentNullException("輸出檔案路徑不得為空");

    // 確保目錄存在
    var dir = Path.GetDirectoryName(filePath);
    if (!string.IsNullOrEmpty(dir) && !Directory.Exists(dir))
        Directory.CreateDirectory(dir);

    using (var writer = new StreamWriter(filePath, false, Encoding.UTF8))
    {
        writer.Write(text);
    }
}

完整應用範例:批次處理資料夾下所有 PDF


public static void BatchExtractPdfText(string folderPath, string outputFolder)
{
    if (!Directory.Exists(outputFolder))
        Directory.CreateDirectory(outputFolder);

    var pdfFiles = Directory.GetFiles(folderPath, "*.pdf");
    
    foreach (var pdfFile in pdfFiles)
    {
        try
        {
            string text = ExtractTextFromPdf(pdfFile);
            string fileName = Path.GetFileNameWithoutExtension(pdfFile) + ".txt";
            string outputPath = Path.Combine(outputFolder, fileName);
            WriteToTextFile(text, outputPath);
            Console.WriteLine($"完成: {pdfFile}");
        }
        catch (Exception ex)
        {
            Console.WriteLine($"失敗: {pdfFile} - {ex.Message}");
        }
    }
}

PDFBox 支援的完整功能清單

功能類別主要類別/方法說明
文字提取PDFTextStripper, PDFTextStripperByArea完整文字、指定頁面、指定區域、保留版面
文件合併PDDocument.addPage(), PDDocumentMerger多檔合併、插入頁面、重新排序
文件分割PDDocument.getPage(), 新建 Document單頁拆分、範圍擷取
加密/解密PDDocument.protect(), StandardProtectionPolicy密碼保護、權限控制 (列印、複製、修改)
表單處理PDAcroForm, PDField填寫表單、匯出 FDF/XFDF、扁平化
圖片轉換PDFRenderer, PDFBox.convertToImage()PDF 轉 PNG/JPEG/TIFF、解析度控制
建立 PDFPDDocument, PDPageContentStream從文字、圖片建立 PDF、繪圖、字型嵌入
列印PDFPrintable, PrinterJob無訊息列印、指定印表機
Lucene 整合PDFDocument, LucenePDFDocumentPDF 全文檢索索引

常見問題與解決方案

問題原因解決方案
中文亂碼/空白字型未嵌入、無對應字型使用 `PDFTextStripper.setSortByPosition(true)`;確保 PDF 內嵌字型
文字順序錯亂PDF 內部儲存順序非閱讀順序`stripper.setSortByPosition(true)` 依座標排序
大檔案 OOM一次載入整份文件分頁處理、使用 `PDFTextStripper.getText(page)` 單頁提取
IKVM 版本衝突多專案引用不同版本統一 NuGet 管理、繫結重導向
.NET Core 不支援舊版 PDFBox 0.7.3 僅支援 .NET Framework升級 PDFBox 2.x/3.x (NuGet: `PDFBox`)

現代替代方案比較

函式庫語言.NET Core 支援授權特色
PDFBox (IKVM)Java→.NET2.x+ 支援Apache 2.0功能最完整、成熟穩定
PdfSharpC# 原生支援MIT輕量、易用、建立 PDF 強
iText 7 (iTextSharp)Java/C#支援AGPL/商業功能最強、商業需付費
QuestPDFC# 原生支援MIT現代 API、排版強、熱門新秀
SkiaSharp + PDFC++/C#支援MIT跨平台繪圖、轉 PDF

總結

PDFBox 透過 IKVM 將成熟的 Java PDF 處理能力帶入 .NET 生態系,對於「文字提取」、「文件合併」等核心需求提供了可靠的開源解決方案。本文涵蓋從基本提取合併到批次處理、進階區域提取的完整實作。現代 .NET Core 專案建議直接使用 PDFBox 3.x (NuGet) 或評估 PdfSharp/QuestPDF 等原生替代方案,獲得更好的效能與開發體驗。

copyright © 萬盛學電腦網 all rights reserved