通过 C# 高效提取 PDF 文本的完整指南

导语

在数字化办公场景中，PDF文本提取需求频繁出现。手动复制粘贴耗时低效，而传统代码方案常因依赖Adobe组件、处理加密文件困难等问题受阻。本文将深度解析如何通过国产Spire.PDF for .NET库实现无依赖、高精度的PDF文本提取，并附完整代码示例。

文本提取方案对比

传统方案痛点	Spire.PDF解决方案
依赖Adobe Reader	完全自主内核，无需安装任何PDF组件
无法处理加密文件	支持密码保护PDF的文本提取
代码复杂度 ★★★★☆	代码复杂度 ★★☆
开发文档碎片化	提供完整的API文档和中文技术社区支持

实战教程：三步实现PDF文本提取

1. 环境准备

通过NuGet安装库：

Install-Package Spire.PDF

免费版

Install-Package FreeSpire.PDF

2. 提取文本核心代码实现

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

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

            // 获取指定页面
            PdfPageBase page = doc.Pages[1];

            // 创建PdfTextExtractot 对象
            PdfTextExtractor textExtractor = new PdfTextExtractor(page);

            // 设置提取页面上所有文本
            PdfTextExtractOptions extractOptions = new PdfTextExtractOptions();
            extractOptions.IsExtractAllText = true;

            // 从所选页面中提取文本
            string text = textExtractor.ExtractText(extractOptions);

            // 将提取的文本写入 TXT 文件
            File.WriteAllText("提取指定页面文本.txt", text);
        }
    }
}

关键参数说明 ：
PdfTextExtractor：表示PDF文本提取器
PdfTextExtractOptions：表示文本提取自定义选项
ExtractText(): 从指定页面提取文本

---

3. 高级应用技巧

• 加密文件处理 ：
  使用LoadFromFile(fileName, ownerPassward)方法传入密码
• 提取所有页面 ：
  循环遍历每一个页面 foreach (PdfPageBase page in pdf.Pages)
• 特定区域提取 ：通过ExtractArea设置提取区域

//创建一个 PdfTextExtractOptions 对象
PdfTextExtractOptions extractOptions = new PdfTextExtractOptions();

//设置矩形区域范围
extractOptions.ExtractArea = new RectangleF(0, 0, 870, 150);

---

技术组合建议

1. 🚩 文本+格式提取 ：结合 PdfTextFinder 定位特定样式文本
2. 🚩 表格数据提取 ：使用 PdfTableExtractor 获取结构化表格内容
3. 🚩 OCR集成方案：搭配 Spire.OCR 处理扫描版PDF

通过以上方案，开发者可将PDF文本处理能力快速集成到项目。