在pdf文件中搜索字符串

Question

我正在研究一個有多個pdf文件的學校項目。應該有一個名字搜索功能，我只需輸入學生的姓名，並打開所有他/她的名字的PDF文件。做這個的最好方式是什麼？我在網上尋找解決方案，所有我想出來的是iTextSharp，這使得更加困惑。

這可能嗎？也許有人可以請給我一個教程鏈接，或者其他什麼。 :) 非常感謝。

Answer 1

PDF是一個非常複雜的規範，可以創建如此多的變體，除非您使用相同的工具讀取它以創建它（並且通常甚至不是那麼），否則無法可靠地進行解析。有幾種工具可以將PDF壓縮成文本字符串（例如pdf2text），並且可能會搜索這些文件，但它不可靠。

許多PDF工具只實現了一些規範。有些人認爲搜索PDF的最佳方式是將其縮小爲圖像，然後進行OCR。

Answer 2

我覺得你的任務可作如下劃分：

PDF文件的

• 構建索引寫一些代碼將使用索引來定位每當執行搜索
• 寫一些代碼相關的PDF將打開發現PDF或顯示一個警告，如果什麼也沒有找到

要建立索引你可以使用一些集成解決方案，像Apache Lucene或Lucene.Net或將每個PDF轉換爲文本並從文本中自行建立索引。

其他兩個步驟相當平凡，取決於第一步中使用的語言/技術。

你的問題被標記爲與.NET相關，所以你可以嘗試Docotic.Pdf library建立索引（免責聲明：我爲Bit Miracle工作）。

Docotic.Pdf可用於從PDF文件中以純文本或以每個塊的座標爲文本塊的集合提取文本。

Answer 3

使用iTextSharp。它是免費的，你只需要「itextsharp.dll」。

http://sourceforge.net/projects/itextsharp/

這裏是閱讀的文本了PDF的簡單功能。

Public Shared Function GetTextFromPDF(PdfFileName As String) As String 
    Dim oReader As New iTextSharp.text.pdf.PdfReader(PdfFileName) 

    Dim sOut = "" 

    For i = 1 To oReader.NumberOfPages 
     Dim its As New iTextSharp.text.pdf.parser.SimpleTextExtractionStrategy 

     sOut &= iTextSharp.text.pdf.parser.PdfTextExtractor.GetTextFromPage(oReader, i, its) 
    Next 

    Return sOut 
End Function 

現在您可以輕鬆搜索這些文件。