.NET 开发：使用 C# 实现 PDF 文本自动化提取

手动从 PDF 文件中提取文本往往繁琐、易错且低效，尤其在处理大量文档或复杂布局文件时问题更突出。这是因为 PDF 文件基于坐标存储内容，而非线性文本流 —— 若缺乏专业工具，很难提取出结构化或易读的文本。对于 C# .NET 开发者而言，实现 PDF 文本提取自动化是简化工作流的关键：无论是文档处理、内容索引，还是数据迁移、数字归档，自动化提取都能大幅提升效率。

本文将详细介绍如何通过 C# 与 Spire.PDF for .NET（一款功能强大的 PDF 读取与处理库）从PDF中读取文本，包含从基础到高级的完整方案，附可直接复用的代码示例与常见问题解答。

为何在 .NET 中使用 Spire.PDF 提取文本？
PDF 文本提取（基础示例）
PDF 文本提取进阶选项
结论
常见问题（FAQ）

1. 为何在 .NET 中使用 Spire.PDF 提取文本？

Spire.PDF for .NET 是一款功能丰富且对开发者友好的库，支持在 .NET 应用程序中无缝提取 PDF 文本。其优势如下：

精准保留布局：维持原文的布局、间距和阅读顺序。
详细提取能力：提取文本的同时，可获取位置、大小等元数据。
无需依赖 Adobe：无需 Adobe Acrobat 或其他第三方工具即可独立运行。
快速集成：简洁的 API 和详尽的文档，助力加快开发速度。

安装

开始前，需通过以下方式在项目中安装该库：

通过NuGet安装（推荐）：
```
Install-Package Spire.PDF
```
或下载 DLL 文件，在解决方案中手动引用。

若需要完整地体验 Spire.PDF for .NET 的全部功能并移除水印，您可以点击申请免费的30天试用许可证。

2. PDF 文本提取（基础示例）

适用于需获取 PDF 全部文本的场景（如文档全文检索、内容分析）。通过 PdfTextExtractor（PDF 文本提取器）遍历所有页面，提取文本后保存到 TXT 文件，同时保留原格式。

C# 代码示例

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

namespace ExtractAllTextFromPDF
{
    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("示例.pdf");

            // 初始化 StringBuilder 以存储提取的文本
            StringBuilder extractedText = new StringBuilder();
            // 遍历 PDF 中的每一页
            foreach (PdfPageBase page in pdf.Pages)
            {
                // 为当前页面创建 PdfTextExtractor 实例
                PdfTextExtractor extractor = new PdfTextExtractor(page);
                // 设置提取选项
                PdfTextExtractOptions option = new PdfTextExtractOptions
                {
                    IsExtractAllText = true // 提取当前页面的所有文本
                };
                // 从当前页面提取文本
                string text = extractor.ExtractText(option);
                // 将提取的文本追加到StringBuilder中
                extractedText.AppendLine(text);
            }

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

3. PDF 文本提取进阶选项

Spire.PDF 不仅支持基础的全文提取，还能满足高级使用场景，例如从特定页面提取文本、从指定区域提取内容，以及获取文本布局细节（如位置和尺寸）。本节将通过实际示例介绍这些功能。

3.1 从单个 PDF 页面提取文本

适用于只需特定页面文本的场景（如提取合同中的 “条款页”、报告中的 “数据摘要页”）。通过 Pages[index] 指定页面（注：PDF 页面索引从 0 开始，索引 0 = 第一页，索引 1 = 第二页）。

C# 代码示例

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("AI数字人.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("提取指定页面文本.txt", text);
            // 关闭 PDF 文档
            pdf.Close();
        }
    }
}

使用C#提取指定PDF页面中的文本

3.2 从 PDF 页面的指定区域读取文本

适用于需精准提取局部内容的场景（如提取页眉、页脚、表格区域的文本）。通过 PdfTextExtractOptions.ExtractArea 设置矩形提取区域，以限制提取范围。

C# 代码示例

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("AI数字人.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, 890, 170)
            };

            // 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();
        }
    }
}

使用C#提取PDF指定区域中的文本

3.3 获取文本位置和尺寸信息

适用于需文本布局分析的场景（如 PDF 批注、内容叠加、格式还原）。通过 PdfTextFinder（PDF 文本查找器）获取每个文本片段的 Bounds（边界矩形），包含位置（X/Y 坐标）和尺寸（宽 / 高）。

C# 代码示例

using Spire.Pdf;
using Spire.Pdf.Texts;
using System;
using System.Collections.Generic;
using System.Drawing;

namespace ExtractTextWithPositionAndSize
{
    class Program
    {
        static void Main(string[] args)
        {
            // 加载 PDF 文档
            PdfDocument pdf = new PdfDocument();
            pdf.LoadFromFile("示例.pdf");

            // 遍历文档的每一页
            for (int i = 0; i < pdf.Pages.Count; i++)
            {
                PdfPageBase page = pdf.Pages[i];

                // 为当前页面创建 PdfTextFinder 实例
                PdfTextFinder finder = new PdfTextFinder(page);

                // 查找页面上的所有文本片段
                List<PdfTextFragment> fragments = finder.FindAllText();

                Console.WriteLine($"第 {i + 1} 页：");

                // 遍历每个文本片段
                foreach (PdfTextFragment fragment in fragments)
                {
                    // 提取文本内容
                    string text = fragment.Text;

                    // 获取包含位置和大小信息的边界矩形数组
                    RectangleF[] rects = fragment.Bounds;

                    Console.WriteLine($"文本：\"{text}\"");

                    // 遍历当前文本片段的每个边界矩形
                    foreach (var rect in rects)
                    {
                        Console.WriteLine($"位置：({rect.X}, {rect.Y})，尺寸：({rect.Width} × {rect.Height})");
                    }
                    Console.WriteLine(); // 空行分隔不同文本片段
                }
            }
        }
    }
}

4. 结论

Spire.PDF for .NET 为 C# 开发者提供了全场景的 PDF 文本提取能力：

基础需求：全文提取、单页提取；
进阶需求：指定区域提取；
高级需求：文本位置 / 尺寸 / 字体信息提取。

结合这些能力，可轻松构建文档自动化工具（如 PDF 解析器、智能归档系统），大幅提升 PDF 处理效率。

5. 常见问题（FAQ）

Q1：Spire.PDF 能否从受密码保护的 PDF 中提取文本？

答：可以。加载文件时通过重载的 LoadFromFile 方法传入密码即可，示例：

// 加载带密码的PDF（第一个参数：文件路径，第二个参数：密码）
pdf.LoadFromFile("ProtectedSample.pdf", "your_pdf_password");

Q2：Spire.PDF 支持批量提取吗？

答：完全支持。通过 Directory.GetFiles 遍历文件夹中的所有 PDF，批量应用提取逻辑。

Q3：除了文本，能否提取 PDF 中的图片或表格？？

答：本文虽以文本提取为核心，但 Spire.PDF 也支持提取图片；若需提取表格，可结合额外逻辑实现表格检测。

Q5：Spire.PDF 能否从扫描件（图像型 PDF）中提取文本？

答：扫描件 PDF，需先通过 OCR（光学字符识别）转换为可编辑文本。Spire.PDF 本身无内置 OCR，但可与 Spire.OCR for .NET 配合使用，实现从图片中提取文本。