। নেট [বন্ধ] এ পিডিএফ ডকুমেন্টগুলি পড়া

Question

এমন কোনও ওপেন সোর্স লাইব্রেরি আছে যা আমাকে। নেট / সি # তে পিডিএফ ডকুমেন্টগুলি পড়ার / পার্সিংয়ে সহায়তা করবে?

Comments

ব্রুক নুসারের প্রদত্ত উত্তরটি সর্বাধিক আপ-টু ডেট সমাধান বলে মনে হচ্ছে এবং এই প্রশ্নের সঠিক উত্তর হিসাবে বিবেচনা করা উচিত

— সিটিম্যান

এই প্রশ্নটি বন্ধ থাকায় এখানে আরও আপডেট হওয়া আইটেক্সটশার্প উত্তর দেয় ।

— ভিডিডাব্লুডাব্লুডি

Answer 1

যেহেতু এই প্রশ্নের সর্বশেষ উত্তর ২০০৮ সালে দেওয়া হয়েছিল, আইটেক্সটশার্প তাদের এপি নাটকীয়ভাবে উন্নত করেছে। আপনি যদি তাদের অপির সর্বশেষ সংস্করণটি http://sourceforge.net/projects/itextsharp/ থেকে ডাউনলোড করেন তবে পিডিএফ থেকে স্ট্রিংতে সমস্ত পাঠ্য আহরণের জন্য নীচের কোডের স্নিপেট ব্যবহার করতে পারেন।

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

namespace PdfParser
{
    public static class PdfTextExtractor
    {
        public static string pdfText(string path)
        {
            PdfReader reader = new PdfReader(path);
            string text = string.Empty;
            for(int page = 1; page <= reader.NumberOfPages; page++)
            {
                text += PdfTextExtractor.GetTextFromPage(reader,page);
            }
            reader.Close();
            return text;
        }   
    }
}

Comments

আপনার ক্লাসটি সম্ভবত কল করা উচিত নয় PdfTextExtractorকারণ এটির সাথে সংঘর্ষ হবেiTextSharp.text.pdf.parser

— নিল

iTextSharp গিটহাবে চলে গেছে: github.com/itext/itextsharp

— আমেডি ভ্যান গ্যাস

সম্ভবত যারা উত্তর এখানে দেওয়া সাহায্য করতে পারে এখানে ?

— ভিভারকে

এটি এখন বাণিজ্যিক প্রকল্পগুলির জন্য প্রদান করা হয়।

— নিকলে কোস্তভ

@iTextSharp অবহিত করা হয়েছে এবং iText 7 github.com/itext/itext7-dotnet দিয়ে প্রতিস্থাপন করা হয়েছে ।

— ম্যাথু

Answer 2

iTextSharp সেরা বাজি। লুসিন.নেটের জন্য একটি মাকড়সা তৈরি করতে এটি ব্যবহার করুন যাতে এটি পিডিএফ ক্রল করতে পারে।

using System;
using System.IO;
using iTextSharp.text.pdf;
using System.Text.RegularExpressions;

namespace Spider.Utils
{
    /// <summary>
    /// Parses a PDF file and extracts the text from it.
    /// </summary>
    public class PDFParser
    {
        /// BT = Beginning of a text object operator 
        /// ET = End of a text object operator
        /// Td move to the start of next line
        ///  5 Ts = superscript
        /// -5 Ts = subscript

        #region Fields

        #region _numberOfCharsToKeep
        /// <summary>
        /// The number of characters to keep, when extracting text.
        /// </summary>
        private static int _numberOfCharsToKeep = 15;
        #endregion

        #endregion

        #region ExtractText
        /// <summary>
        /// Extracts a text from a PDF file.
        /// </summary>
        /// <param name="inFileName">the full path to the pdf file.</param>
        /// <param name="outFileName">the output file name.</param>
        /// <returns>the extracted text</returns>
        public bool ExtractText(string inFileName, string outFileName)
        {
            StreamWriter outFile = null;
            try
            {
                // Create a reader for the given PDF file
                PdfReader reader = new PdfReader(inFileName);
                //outFile = File.CreateText(outFileName);
                outFile = new StreamWriter(outFileName, false, System.Text.Encoding.UTF8);

                Console.Write("Processing: ");

                int totalLen = 68;
                float charUnit = ((float)totalLen) / (float)reader.NumberOfPages;
                int totalWritten = 0;
                float curUnit = 0;

                for (int page = 1; page <= reader.NumberOfPages; page++)
                {
                    outFile.Write(ExtractTextFromPDFBytes(reader.GetPageContent(page)) + " ");

                    // Write the progress.
                    if (charUnit >= 1.0f)
                    {
                        for (int i = 0; i < (int)charUnit; i++)
                        {
                            Console.Write("#");
                            totalWritten++;
                        }
                    }
                    else
                    {
                        curUnit += charUnit;
                        if (curUnit >= 1.0f)
                        {
                            for (int i = 0; i < (int)curUnit; i++)
                            {
                                Console.Write("#");
                                totalWritten++;
                            }
                            curUnit = 0;
                        }

                    }
                }

                if (totalWritten < totalLen)
                {
                    for (int i = 0; i < (totalLen - totalWritten); i++)
                    {
                        Console.Write("#");
                    }
                }
                return true;
            }
            catch
            {
                return false;
            }
            finally
            {
                if (outFile != null) outFile.Close();
            }
        }
        #endregion

        #region ExtractTextFromPDFBytes
        /// <summary>
        /// This method processes an uncompressed Adobe (text) object 
        /// and extracts text.
        /// </summary>
        /// <param name="input">uncompressed</param>
        /// <returns></returns>
        public string ExtractTextFromPDFBytes(byte[] input)
        {
            if (input == null || input.Length == 0) return "";

            try
            {
                string resultString = "";

                // Flag showing if we are we currently inside a text object
                bool inTextObject = false;

                // Flag showing if the next character is literal 
                // e.g. '\\' to get a '\' character or '\(' to get '('
                bool nextLiteral = false;

                // () Bracket nesting level. Text appears inside ()
                int bracketDepth = 0;

                // Keep previous chars to get extract numbers etc.:
                char[] previousCharacters = new char[_numberOfCharsToKeep];
                for (int j = 0; j < _numberOfCharsToKeep; j++) previousCharacters[j] = ' ';


                for (int i = 0; i < input.Length; i++)
                {
                    char c = (char)input[i];
                    if (input[i] == 213)
                        c = "'".ToCharArray()[0];

                    if (inTextObject)
                    {
                        // Position the text
                        if (bracketDepth == 0)
                        {
                            if (CheckToken(new string[] { "TD", "Td" }, previousCharacters))
                            {
                                resultString += "\n\r";
                            }
                            else
                            {
                                if (CheckToken(new string[] { "'", "T*", "\"" }, previousCharacters))
                                {
                                    resultString += "\n";
                                }
                                else
                                {
                                    if (CheckToken(new string[] { "Tj" }, previousCharacters))
                                    {
                                        resultString += " ";
                                    }
                                }
                            }
                        }

                        // End of a text object, also go to a new line.
                        if (bracketDepth == 0 &&
                            CheckToken(new string[] { "ET" }, previousCharacters))
                        {

                            inTextObject = false;
                            resultString += " ";
                        }
                        else
                        {
                            // Start outputting text
                            if ((c == '(') && (bracketDepth == 0) && (!nextLiteral))
                            {
                                bracketDepth = 1;
                            }
                            else
                            {
                                // Stop outputting text
                                if ((c == ')') && (bracketDepth == 1) && (!nextLiteral))
                                {
                                    bracketDepth = 0;
                                }
                                else
                                {
                                    // Just a normal text character:
                                    if (bracketDepth == 1)
                                    {
                                        // Only print out next character no matter what. 
                                        // Do not interpret.
                                        if (c == '\\' && !nextLiteral)
                                        {
                                            resultString += c.ToString();
                                            nextLiteral = true;
                                        }
                                        else
                                        {
                                            if (((c >= ' ') && (c <= '~')) ||
                                                ((c >= 128) && (c < 255)))
                                            {
                                                resultString += c.ToString();
                                            }

                                            nextLiteral = false;
                                        }
                                    }
                                }
                            }
                        }
                    }

                    // Store the recent characters for 
                    // when we have to go back for a checking
                    for (int j = 0; j < _numberOfCharsToKeep - 1; j++)
                    {
                        previousCharacters[j] = previousCharacters[j + 1];
                    }
                    previousCharacters[_numberOfCharsToKeep - 1] = c;

                    // Start of a text object
                    if (!inTextObject && CheckToken(new string[] { "BT" }, previousCharacters))
                    {
                        inTextObject = true;
                    }
                }

                return CleanupContent(resultString);
            }
            catch
            {
                return "";
            }
        }

        private string CleanupContent(string text)
        {
            string[] patterns = { @"\\\(", @"\\\)", @"\\226", @"\\222", @"\\223", @"\\224", @"\\340", @"\\342", @"\\344", @"\\300", @"\\302", @"\\304", @"\\351", @"\\350", @"\\352", @"\\353", @"\\311", @"\\310", @"\\312", @"\\313", @"\\362", @"\\364", @"\\366", @"\\322", @"\\324", @"\\326", @"\\354", @"\\356", @"\\357", @"\\314", @"\\316", @"\\317", @"\\347", @"\\307", @"\\371", @"\\373", @"\\374", @"\\331", @"\\333", @"\\334", @"\\256", @"\\231", @"\\253", @"\\273", @"\\251", @"\\221"};
            string[] replace = {   "(",     ")",      "-",     "'",      "\"",      "\"",    "à",      "â",      "ä",      "À",      "Â",      "Ä",      "é",      "è",      "ê",      "ë",      "É",      "È",      "Ê",      "Ë",      "ò",      "ô",      "ö",      "Ò",      "Ô",      "Ö",      "ì",      "î",      "ï",      "Ì",      "Î",      "Ï",      "ç",      "Ç",      "ù",      "û",      "ü",      "Ù",      "Û",      "Ü",      "®",      "™",      "«",      "»",      "©",      "'" };

            for (int i = 0; i < patterns.Length; i++)
            {
                string regExPattern = patterns[i];
                Regex regex = new Regex(regExPattern, RegexOptions.IgnoreCase);
                text = regex.Replace(text, replace[i]);
            }

            return text;
        }

        #endregion

        #region CheckToken
        /// <summary>
        /// Check if a certain 2 character token just came along (e.g. BT)
        /// </summary>
        /// <param name="tokens">the searched token</param>
        /// <param name="recent">the recent character array</param>
        /// <returns></returns>
        private bool CheckToken(string[] tokens, char[] recent)
        {
            foreach (string token in tokens)
            {
                if ((recent[_numberOfCharsToKeep - 3] == token[0]) &&
                    (recent[_numberOfCharsToKeep - 2] == token[1]) &&
                    ((recent[_numberOfCharsToKeep - 1] == ' ') ||
                    (recent[_numberOfCharsToKeep - 1] == 0x0d) ||
                    (recent[_numberOfCharsToKeep - 1] == 0x0a)) &&
                    ((recent[_numberOfCharsToKeep - 4] == ' ') ||
                    (recent[_numberOfCharsToKeep - 4] == 0x0d) ||
                    (recent[_numberOfCharsToKeep - 4] == 0x0a))
                    )
                {
                    return true;
                }
            }
            return false;
        }
        #endregion
    }
}

Comments

হ্যালো সিটিম্যান, আপনি উপরে প্রদত্ত কোডটি ব্যবহার করার চেষ্টা করেছি ... তবে একটি সমস্যা হচ্ছে। আমার কিছু পিডিএফ ফাইল সঠিকভাবে পড়া হয় তবে কিছু পিডিএফ ফাইলে আমি "চেকটোকেন" ফাংশনটিতে "ইনডেক্স অফ রেঞ্জ" ত্রুটি পেয়েছি। আপনি কি আমাকে এই সমাধান করতে সাহায্য করতে পারেন?

— রাধী

আপনার উদাহরণের উত্স উল্লেখ করা ভাল এবং নম্র ধারণা। এক্ষেত্রে একই উত্স কোডটি এখানে পাওয়া যাবে কোডপ্রজেক্ট

— কেবি /

এই কোডটি নিয়ে আমার সমস্যা আছে, এটি r এবং n বর্ণগুলি দিয়ে তৈরি গবলডিগুকটি দেয় returns আমি শেষ পর্যন্ত পিডিএফবক্স ব্যবহার করেছি।

— মিস্টার

এত অদ্ভুত ... আমি আমার পিডিএফ প্লাগ করেছি এবং আমি আমার পাঠ্য ফাইলে 1627 খালি লাইন পেয়েছি ...

— Ortund

ব্রুক নুসারের প্রদত্ত উত্তরটি সর্বাধিক আপ টু ডেট সমাধান বলে মনে হচ্ছে এবং এই প্রশ্নের সঠিক উত্তর হিসাবে বিবেচনা করা উচিত।

— সিটিম্যান

Answer 3

public string ReadPdfFile(object Filename, DataTable ReadLibray)
{
    PdfReader reader2 = new PdfReader((string)Filename);
    string strText = string.Empty;

    for (int page = 1; page <= reader2.NumberOfPages; page++)
    {
    ITextExtractionStrategy its = new iTextSharp.text.pdf.parser.SimpleTextExtractionStrategy();
    PdfReader reader = new PdfReader((string)Filename);
    String s = PdfTextExtractor.GetTextFromPage(reader, page, its);

    s = Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(s)));
    strText = strText + s;
    reader.Close();
    }
    return strText;
}

Comments

আমার জন্য একমাত্র পদ্ধতিটি কাজ করেছিল! ধন্যবাদ দোস্ত!

— বিরিবা

পিডিএফআরেডার? Pls কিছু তথ্য যুক্ত করুন।

— DxTx

@ ডিটি

— dontbyteme

Answer 4

পিডিএফ ক্লাউন সাহায্য করতে পারে, তবে আমি এটি কোনও বড় বা ভারী ব্যবহারের অ্যাপ্লিকেশনের জন্য সুপারিশ করব না।

Comments

এলজিপিএল লাইসেন্সযুক্ত যাতে এটি বাণিজ্যিক, মালিকানাধীন সফ্টওয়্যার তৈরি করতে ব্যবহার করা যায়।

— সিলেস্টার স্যান্টোরোস্কি

Answer 5

iText আমার জানা সেরা গ্রন্থাগার। মূলত জাভাতে লেখা, একটি নেট নেটও রয়েছে।

Http://www.ujihara.jp/iTextdotNET/en/ দেখুন

Comments

এটি কোনও অফিশিয়াল বন্দর নয় এবং লিঙ্কটি যাইহোক ভাঙা। আইটেক্সট, আইটেক্সটশার্পের অফিশিয়াল .NET বন্দরটি গিথহাব: github.com/itext/itextsharp

— ভ্যান

Answer 6

আপনি এটি সন্ধান করতে পারেন: http://www.codeproject.com/KB/showcase/pdfrasterizer.aspx এটি সম্পূর্ণ নিখরচায় নয়, তবে এটি দেখতে খুব সুন্দর দেখাচ্ছে।

অ্যালেক্স

Comments

এটি কি পিডিএফটিকে কাঁচা পাঠ্যে রূপান্তর করতে সহায়তা করতে পারে? দেখে মনে হচ্ছে যে সরঞ্জামটি এটিকে একটি চিত্রে রূপান্তর করে। সুতরাং আমার তখন ওসিআর লাইব্রেরি দরকার :-)

— JRoppert

Answer 7

http://www.c-sharpcorner.com/UploadFile/psingh/PDFFileGenerator12062005235236PM/PDFFileGenerator.aspx ওপেন সোর্স এবং এটি আপনার জন্য একটি সূচনা পয়েন্ট হতে পারে।

Answer 8

আসপ পিডিএফ বেশ ভাল কাজ করে। তারপরে আবার আপনাকে এর মূল্য দিতে হবে

Answer 9

বারবার?

http://www.itextpdf.com/terms-of-use/index.php

গাইড

http://www.vogella.com/articles/JavaPDF/article.html

Answer 10

এখানে লিবিহারুও রয়েছে

http://libharu.org/wiki/Main_Page

Comments

লিঙ্ক ভাঙা। libharu.org

— টার্নারি টপরি

এছাড়াও: "এই মুহুর্তে libHaru বিদ্যমান পিডিএফ ফাইলগুলি পড়া এবং সম্পাদনা সমর্থন করে না এবং সম্ভবত এই সমর্থনটি উপস্থিত হবে না।" এটি কি আসলেই প্রাসঙ্গিক?

— টেরনারি টোপরিয়ার

Answer 11

ডকোটিক.পিডিএফ লাইব্রেরিতে একবার দেখুন । এটি আপনার অ্যাপ্লিকেশনটির উত্স কোড উন্মুক্ত করার প্রয়োজন নেই (উদাহরণস্বরূপ ভাইরাল এজিপিএল 3 লাইসেন্স সহ আইটেক্সটশার্প)।

ডকোটিক.পিডিএফ পিডিএফ ফাইলগুলি পড়তে এবং বিন্যাস ছাড়াই বা বিন্যাস ছাড়াই পাঠ্য নিষ্কাশন করতে ব্যবহার করা যেতে পারে। অনুগ্রহ করে নিবন্ধটি দেখুন যা দেখায় পিডিএফগুলি থেকে কীভাবে পাঠ্য নিষ্কাশন করা যায় ।

দাবি অস্বীকার: আমি লাইব্রেরির বিক্রেতা বিট মিরাকলের জন্য কাজ করি।

Comments

মাত্র 30 দিন বিনামূল্যে। ভাল বিকল্প নয় ...

— জোসে অগাস্টিনহো