如何从 Pdf、Word 和 Excel 文档中提取文本？ [关闭]

我需要一个 .NET 库，以便使用它从 PDF、Excel 和 Word 文件中提取文本数据。

最好是免费工具！

你会推荐一些吗？

非常感谢，

作为花了很多天寻找（几乎）这个确切问题的免费解决方案的人，我可以相当诚实地告诉你，你不会找到一个能够从其中提取文本的免费库all这些格式很好。据我所知，唯一能很好地处理所有这些格式（以及更多格式）的库是一个商业库，它实际上并不是 .NET 原生的，它是一个带有 C++/CLI 的 C++/COM 库。 NET 包装器。

有哪些选择？

• iTextSharp-- 这个工具在从 PDF 中提取文本方面绝对是非常棒的。虽然该库的后续版本是商业友好型 (LGPL)，但作者决定对软件收费，因此他们改为在 AGPL 下发布它，因此除非您想发布所有源代码，您可能不想使用这些版本之一。然而，在 LGPL 下许可的最新版本 (4.1.6) 可以在互联网上找到。这个问题具有 LGPL 下版本的链接。

• PdfBox-- 另一个 PDF 库。在我看来，这个更好，因为它采用 Apache 2.0 许可证。它有一些问题，因为它有时（也许很少）不会像 iTextSharp 那样出色。我将其更多地归因于它是一个较新的库这一事实。However,我对这个图书馆的体验来自months前。该项目正在积极开发中，仅在上个月就已解决了52个问题。我会密切关注这一点。请注意这是一个 java 库。 （请继续阅读下面的内容，了解有关我为何添加此内容的更多信息。）

• POI or NPOI-- 这些是专门为 Microsoft Office 文档编写的库，特别是 2007 年之前的格式、OLE 二进制文件格式。它确实支持较新的 OpenXML 格式，但我不确定该库的这一部分有多成熟。 POI 是 java 版本（请继续阅读下面的内容，了解有关我为何包含此内容的更多信息。），其中 NPOI 是本机 .NET 版本。但是NPOI只支持excel文档，POI可以对excel文档进行文本提取还有更多类型.

• 开放 XML SDK 2.0-- 用于读取/修改 Office 2007+（未加密的 OpenXML）文档的库是我的 Microsoft 自己创建的！这是一个处理此类文档的令人惊叹的库。然而，它是一个较低级别的库，因此实际上（据我所知）没有它做了一切文本提取类。有一个相当好的例子（我不确定它是否涵盖某些情况，例如表格中的文本等），从Word文档中提取文本在这个如此答案

• Tika-- 再一次，另一个 Java 库（我不会无缘无故地告诉你 Java 库。继续阅读！:)），这将尽可能接近用于文本提取的“一个库”。 Tika 可以提取元数据并结构化文本内容使用现有的解析库从许多不同类型的文件中提取数据。它实际上使用 POI 和 PdfBox 来处理 Office 和 PDF 文档。

非商业用途

• dtSearch-- 这是一个我非常熟悉的图书馆。它的工作非常出色，可以解析大量的文件格式。然而，它需要花钱，而且对于你的需要来说可能有点过分了。其实是exactly我们需要什么，但我们试图自己摆脱它，因为我们只使用它进行解析（它实际上是一个全文搜索引擎），并且有很多解析库可供我们使用或修改以适应我们的需求，但老实说，它让所有其他图书馆都大吃一惊。正如我之前提到的，它也不是本机 .NET 代码。 C++/CLI 包装器用于在 DLL 和 .NET 运行时之间进行交互。

^{iFilters can be used, and are mentioned in several other SO answers on different questions, but the text you will get back is unstructured. Sometimes it's just bad...unreadable for humans, at least. I believe that iFilters are also deprecated, and depending on license issues, you might not be able to redistribute them.}

为什么我要提到所有这些 Java 库？嗯，有两个原因。首先，没有free.NET 等效项的质量接近这些 Java 库。其次，您可以在 .NET 中使用这些库（我亲自使用这些库完成了这一点，所以我至少可以保证这一点）使用IKVM。它是 Java 在 .NET 内部的实现。这是一个很好的例子使用 IKVM 将 Tika 转换为可在您的项目中使用的 .NET 程序集。也许 IKVM 最可怕的事情是它就是有效的！

编辑：我忘记了该博客的作者实际上已将代码和转换的库发布在一个 github 项目。因此，如果您想快速查看，可以在那里进行。然而，它是 Tika 的一个更老的版本，已经有一年多了。如果结果不符合您的预期，我建议您使用最新版本自行尝试。