pdf轉中文txt

最近項目需要實現根據關鍵字搜索pdf內容，實現思路就是提取pdf文本，然後進行索引。

工具上選擇：

IText 4.16之後採用agpl License，不能用作商用，而且轉換中文會有亂碼問題,

pdfsharp 採用MIT License，許可權上沒有問題，但是轉換中文也會有亂碼,

最後決定採用xpdf.

官網地址：https://www.xpdfreader.com/download.html

需要下載對應的xpdf包，本人採用的windows x64 版本

此外還要下載中文字元集包：簡體中文字元集

包准備工作如下：

1. 在合適目錄創建xpdf文件夾
2. 將下載的包解壓並將bin64文件夾下的pdftotext.exe 拷貝到xpdf文件夾下
3. 解壓中文字元集後進入文件夾繼續解壓xpdf-chinese-simplified.tar，在解壓後的xpdf-chinese-simplified文件夾拷貝到xpdf下
4. 在xpdf文件夾下創建xpdf的字元載入文件xpdfrc
5. 打開xpdf文件夾下的子文件chinese-simplified里的add-to-xpdfrc，將裡面內容copy到xpdfrc

將xpdf文件夾copy到項目合適位置實現功能，這裡只演示單個文件的轉換工作，本人是將xpdf訪問asp.mvc啟動工程的根目錄下進行測試的(文件路徑有空格一定要加雙引號)

 1   public ActionResult Search(string keyword)
 2         {
 3             var rooPath = Server.MapPath("~/");
 4             ProcessStartInfo startInfo = new ProcessStartInfo
 5             {
 6                 UseShellExecute = false,
 7                 WindowStyle = ProcessWindowStyle.Normal,
 8                 RedirectStandardInput = true,
 9                 RedirectStandardOutput = true,
10                 RedirectStandardError = true,
11                 CreateNoWindow = false,
12                 WorkingDirectory = string.Format("{0}xpdf", rooPath),
13                 //FileName = string.Format("{0}xpdf\\pdftotext.exe", rooPath)
14                 FileName ="cmd.exe"
15             };
16             //pdftotext.exe  -layout -enc GBK  你不知道的JavaScript（下捲）.pdf
17             var arguments = string.Format("/C pdftotext.exe -layout -enc GBK \"{1}\" \"{2}\"", rooPath, rooPath + @"xpdf\1.pdf", rooPath + @"xpdf\JavaScript.txt");
18             //var arguments = string.Format(@"{0}1.pdf", rooPath);
19             startInfo.Arguments = arguments;
20             var ss = string.Empty;
21 
22             using (Process process = Process.Start(startInfo))
23             {
24                
25                 process.OutputDataReceived += new DataReceivedEventHandler((object sender, DataReceivedEventArgs e) =>
26                 {
27                     ss += e.Data;
28                 });
29                 process.BeginOutputReadLine();
30                 using (var error = process.StandardError)
31                 {
32                     ss += error.ReadToEnd();
33                 }
34                 //等待退出 
35                 process.WaitForExit();
36             }
37 
38             return Json(ss, JsonRequestBehavior.AllowGet);
39         }

error 可能會有報字體的錯誤，但不影響轉換，可以忽略：

Syntax Error: Unknown character collection 'DYNA-HK1'
Syntax Error: Unknown character collection 'DYNA-HK1'

下麵再附上工程目錄：