堡政島

 若要索引 PDF 的內容 , 首先必須先把 PDF 裡面的內容抽取出來 , 

 

在這裡會介紹兩個元件來實現這個目的 , ITextSharp 和 PDFBox 

 

在選擇元件時皆須考慮幾點 : 

 

1. 取得的內文品質 , 有些結構在擷取上較差

2. 是否對中文有良好的支援

3. 擷取內文的速度

 

 

ITextSharp Code : 

 

Step 1 : 引入NameSpace

 

using iTextSharp.text.pdf.parser;
using iTextSharp.text.pdf;

 

Step 2 : 抽取文字

 

  public void GetTextFromAllPages(String pdfPath)
    {
        PdfReader reader = new PdfReader(pdfPath);

        string text = "";

        for (int page = 1; page <= reader.NumberOfPages; page++)
        {

            text = PdfTextExtractor.GetTextFromPage(reader, page);
            Response.Write(text.ToString());
        }

    }

 

也可以針對特定頁數抽取內文 : 

 

text = PdfTextExtractor.GetTextFromPage(reader, 1);

 

 

PDFBox : 

 

Step 1 : 引入空間

 

using org.pdfbox.pdmodel;
using org.pdfbox.util;

 

Step 2 : 抽取文字

 

PDDocument objDocument = PDDocument.load("C:\\test3.pdf"); 
PDFTextStripper objTextStripper = new PDFTextStripper();
Response.Write(objTextStripper.getText(objDocument));

 

 

 

另外 , PDFBox 有提供 LucenePDFDocument 這個類別提供與 Lucene 做整合之用 , 

 

可以直接使用 IndexWriter 把它加入 Lucene 的 Index 中 , LucenePDFDocument 會

 

自動把 PDF 檔案的各種 Field 抓出並把他們加入 Document 中 .