pdf轉換爲使用.NET的xml轉換

Question

我目前正在構建一個.NET應用程序，其中一個要求是它必須將PDF文件轉換爲XML文件。有沒有人有過這樣的成功？如果是這樣，你用了什麼？

Answer 1

我結束了使用Byte Scout's PDF Extractor SDK。它工作得很好。

Answer 2

您可以使用pdf庫，如iTextSharp查詢您的PDF文件。一旦你訪問了你需要的數據，你就可以輕鬆創建一個xml文件。網上有關於如何用c＃和其他.net語言創建xml文件的TON信息。如果你有一個具體的問題，請問;-)

Answer 3

我已經做了很多次這種項目之前。

事情你需要做的：

1）看看這個項目Extract Text from PDF in C#。該項目使用ITextSharp。

• 如果您下載示例項目並查看其工作原理，將會更好。在這個項目中，它展示瞭如何從PDF中提取數據。查看PDFParser類，它具有名爲ExtractTextFromPDFBytes（byte [] input）函數，您可以看到文本是如何從未壓縮的pdf文件中提取出來的。 不要忘了包含ITextSharp dll。

PDFParser類

 
    1 using System; 
    2 using System.IO; 
    3 using iTextSharp.text.pdf; 
    4 
    5 namespace PdfToText 
    6 { 
    7  /// 
    8  /// Parses a PDF file and extracts the text from it. 
    9  /// 
10  public class PDFParser 
11  { 
12   /// BT = Beginning of a text object operator 
13   /// ET = End of a text object operator 
14   /// Td move to the start of next line 
15   /// 5 Ts = superscript 
16   /// -5 Ts = subscript 
17 
18   #region Fields 
19 
20   #region _numberOfCharsToKeep 
21   /// 
22   /// The number of characters to keep, when extracting text. 
23   /// 
24   private static int _numberOfCharsToKeep = 15; 
25   #endregion 
26 
27   #endregion 
28 
29   #region ExtractText 
30   /// 
31   /// Extracts a text from a PDF file. 
32   /// 
33   /// the full path to the pdf file. 
34   /// the output file name. 
35   /// the extracted text 
36   public bool ExtractText(string inFileName, string outFileName) 
37   { 
38    StreamWriter outFile = null; 
39    try 
40    { 
41     // Create a reader for the given PDF file 
42     PdfReader reader = new PdfReader(inFileName); 
43     //outFile = File.CreateText(outFileName); 
44     outFile = new StreamWriter(outFileName, false, System.Text.Encoding.UTF8); 
45     
46     Console.Write("Processing: "); 
47     
48     int  totalLen = 68; 
49     float charUnit = ((float)totalLen)/(float)reader.NumberOfPages; 
50     int  totalWritten= 0; 
51     float curUnit  = 0; 
52 
53     for (int page = 1; page = 1.0f) 
59      { 
60       for (int i = 0; i = 1.0f) 
70       { 
71        for (int i = 0; i 
104   /// This method processes an uncompressed Adobe (text) object 
105   /// and extracts text. 
106   /// 
107   /// uncompressed 
108   /// 
109   private string ExtractTextFromPDFBytes(byte[] input) 
110   { 
111    if (input == null || input.Length == 0) return ""; 
112 
113    try 
114    { 
115     string resultString = ""; 
116 
117     // Flag showing if we are we currently inside a text object 
118     bool inTextObject = false; 
119 
120     // Flag showing if the next character is literal 
121     // e.g. '\\' to get a '\' character or '\(' to get '(' 
122     bool nextLiteral = false; 
123 
124     //() Bracket nesting level. Text appears inside() 
125     int bracketDepth = 0; 
126 
127     // Keep previous chars to get extract numbers etc.: 
128     char[] previousCharacters = new char[_numberOfCharsToKeep]; 
129     for (int j = 0; j = ' ') && (c = 128) && (c 
235   /// Check if a certain 2 character token just came along (e.g. BT) 
236   /// 
237   /// the searched token 
238   /// the recent character array 
239   /// 
240   private bool CheckToken(string[] tokens, char[] recent) 
241   { 
242    foreach(string token in tokens) 
243    { 
244     if ((recent[_numberOfCharsToKeep - 3] == token[0]) && 
245      (recent[_numberOfCharsToKeep - 2] == token[1]) && 
246      ((recent[_numberOfCharsToKeep - 1] == ' ') || 
247      (recent[_numberOfCharsToKeep - 1] == 0x0d) || 
248      (recent[_numberOfCharsToKeep - 1] == 0x0a)) && 
249      ((recent[_numberOfCharsToKeep - 4] == ' ') || 
250      (recent[_numberOfCharsToKeep - 4] == 0x0d) || 
251      (recent[_numberOfCharsToKeep - 4] == 0x0a)) 
252      ) 
253     { 
254      return true; 
255     } 
256    } 
257    return false; 
258   } 
259   #endregion 
260  } 
261 } 

2.）解析所提取的文本，並創建和XML文件。

• 我以前的一些擔憂是pdf中包含頁面內部的鏈接或URL。現在，如果您也擔心這個問題，正則表達式可以輕鬆解決您的問題，但我建議您稍後再處理它。

• 現在這裏是如何創建一個XML的示例代碼。瞭解代碼是如何工作的，以便稍後您將知道如何處理自己的代碼。

 
    try { 
     //XmlDataDocument sourceXML = new XmlDataDocument(); 
     string xmlFile = Server.MapPath(「DVDlist.xml」); 
     //create a XML file is not exist 
     System.Xml.XmlTextWriter writer = new System.Xml.XmlTextWriter(xmlFile, null); 
     //starts a new document 
     writer.WriteStartDocument(); 
     //write comments 
     writer.WriteComment(「Commentss: XmlWriter Test Program」); 
     writer.Formatting = Formatting.Indented; 
     writer.WriteStartElement(「DVDlist」); 
     writer.WriteStartElement(「DVD」); 
     writer.WriteAttributeString(「ID」, 「1″); 
     //write some simple elements 
     writer.WriteElementString(「Title」, 「Tere Naam」); 
     writer.WriteStartElement(「Starring」); 
     writer.WriteElementString(「Actor」, 「Salman Khan」); 
     writer.WriteEndElement(); 
     writer.WriteEndElement(); 
     writer.WriteEndElement(); 
     writer.Close(); 
    } 
    catch (Exception e1) { 
     Page.Response.Write(e1); 
    } 

希望它能幫助:)

Answer 4

看看pdf2Data。
http://itextpdf.com/blog/pdf2data-extract-information-invoices-and-templates

它將pdf文件轉換爲基於模板的XML文件。模板使用選擇器定義，允許最終用戶指定「第二頁上的表格選擇」或「選擇以該特定字體書寫的文本」等內容。

請記住，我隸屬於iText，所以即使我對PDF的知識很廣泛，但我可能會認爲它對iText產品有偏見（看我幫助開發它們）。