C# 实战：轻松提取 PDF 文件中的文字内容

在数据处理工作中，PDF 文件因其跨平台、格式稳定的特点而被广泛使用。然而，从 PDF 中提取文本内容却常常令人头疼——无论是整理资料、分析数据，还是构建文本检索系统，高效准确地提取 PDF 文本都是一项基础而重要的需求。本文将介绍如何使用 Spire.PDF for .NET 这一强大的组件，通过 C# 代码轻松实现 PDF 文本提取。

Spire.PDF for .NET 简介

Spire.PDF for .NET 是一款专业的 PDF 组件，它允许开发者在 .NET 平台上创建、读取、编辑和转换 PDF 文件，无需安装 Adobe Acrobat 或其他外部依赖。该组件提供了丰富的 API，其中文本提取功能尤为实用，支持提取整页文本，也支持仅提取指定区域的文本内容。

通过 NuGet 安装：

Install-Package Spire.PDF

从指定页面提取全文

在实际应用中，最常见的需求是将某个 PDF 页面的全部文字提取出来。使用 Spire.PDF 可以轻松实现这一目标。以下是用 C# 实现的完整代码：

using Spire.Pdf;
using Spire.Pdf.Texts;
using System.IO;

namespace ExtractTextFromIndividualPages
{
    internal class Program    
    {
        static void Main(string[] args)
        {
            // 创建 PDF 文档实例
            PdfDocument pdf = new PdfDocument();
            // 加载 PDF 文件
            pdf.LoadFromFile("Input.pdf");

            // 获取要提取文本的页面（例如，索引1对应第二页，注：索引从0开始）
            PdfPageBase page = pdf.Pages[1];

            // 为选中的页面创建PdfTextExtractor实例
            PdfTextExtractor extractor = new PdfTextExtractor(page);
            // 设置提取选项
            PdfTextExtractOptions option = new PdfTextExtractOptions
            {
                IsExtractAllText = true
            };
            // 从指定页面提取文本
            string text = extractor.ExtractText(option);

            // 将提取的文本保存到文本文件
            File.WriteAllText("Extracted.txt", text);
            // 关闭 PDF 文档
            pdf.Close();
        }
    }
}

上述代码的执行流程如下：首先创建 PdfDocument 对象并加载目标 PDF 文件。接着，通过 Pages 集合获取指定页面（本例为第一页）。为了实现完整的文本提取，设置 PdfTextExtractOptions 对象的 IsExtractAllText 属性为 true，确保提取时不会遗漏任何文本内容。随后，创建 PdfTextExtractor 对象并传入页面实例，调用 ExtractText 方法即可获得该页面的全部文字。最后，将提取到的文本写入本地文件，并关闭文档释放资源。整个过程简洁明了，仅需几行核心代码，便能完成从 PDF 页面到纯文本的转换。

从指定区域提取文本

在某些场景下，我们并不需要整页的内容，而只需要提取页面中的特定区域——例如表格中的某列数据、标题栏、签章区域等。Spire.PDF 同样提供了灵活的解决方案。以下是区域提取的 C# 实现代码：

using Spire.Pdf;
using Spire.Pdf.Texts;
using System.IO;
using System.Drawing;

namespace ExtractTextFromDefinedArea
{
    internal class Program
    {
        static void Main(string[] args)
        {
            // 创建 PDF 文档实例
            PdfDocument pdf = new PdfDocument();
            // 加载 PDF 文件
            pdf.LoadFromFile("Input.pdf");

            // 获取第二页（索引1对应第二页）
            PdfPageBase page = pdf.Pages[1];

            // 为选中的页面创建 PdfTextExtractor 实例
            PdfTextExtractor textExtractor = new PdfTextExtractor(page);
            // 设置提取选项（指定矩形区域）
            PdfTextExtractOptions extractOptions = new PdfTextExtractOptions
            {
                // 矩形区域参数：X坐标、Y坐标、宽度、高度
                ExtractArea = new RectangleF(0, 0, 595, 300)
            };

            // 从指定矩形区域提取文本
            string text = textExtractor.ExtractText(extractOptions);

            // 将提取的文本保存到文本文件
            File.WriteAllText("Extracted.txt", text);

            // 关闭 PDF 文档
            pdf.Close();
        }
    }
}

与全文提取类似，首先加载 PDF 并获取目标页面。关键区别在于设置提取区域：通过 PdfTextExtractOptions 的 ExtractArea 属性，可以定义一个矩形区域，该区域由左上角坐标 (X, Y) 以及宽度和高度共同确定。组件会智能地仅提取该矩形范围内的文本内容。本例中定义的矩形区域起始坐标为 (0, 0)，宽度为 595，高度为 300，单位为磅（Point）。

这种方法特别适合处理结构化的 PDF 文档，比如财务报表、发票或表单，可以精准定位并提取所需字段，大大提高了信息获取的效率和准确性。

实际应用与注意事项

在实际开发中，文本提取功能可广泛应用于数据采集、内容分析、文档归档等场景。例如，将合同 PDF 中的条款提取后存入数据库，或从科研论文 PDF 中抽取摘要部分进行检索分析。

使用 Spire.PDF 进行文本提取时，有几个要点值得注意：首先，确保矩形区域的坐标和尺寸准确无误，可以通过预览或测量工具辅助定位；其次，对于复杂的 PDF（如包含多列排版或特殊字体），建议启用完整提取模式以保证最佳效果；最后，提取完成后务必调用 Close 方法释放文档资源，避免内存占用。

总结

借助 Spire.PDF for .NET，C# 开发者可以以极简的代码实现高质量的 PDF 文本提取功能。无论是整页提取还是区域提取，该组件都提供了直观、可靠的解决方案。对于需要处理 PDF 文本的 .NET 项目而言，Spire.PDF 无疑是一个值得考虑的高效工具。