conversión de pdf a xml usando .NET

Question

Actualmente estoy construyendo una aplicación .NET y uno de los requisitos es que debe convertir un archivo pdf a XML. ¿Alguien ha tenido éxito haciendo esto? Si es así, ¿qué has usado?

Answer 1

Terminé usando Byte Scout's PDF Extractor SDK. Funciona realmente bien.

Answer 2

Puede usar una biblioteca en formato PDF como iTextSharp para consultar su archivo pdf. Una vez que haya accedido a los datos que necesita, puede crear fácilmente un archivo xml. Hay una TONELADA de información en la web sobre cómo crear un archivo xml con C# y otros lenguajes .net. Si tiene una pregunta específica, solo pregunte ;-)

Answer 3

He hecho este tipo de proyectos muchas veces antes.

cosas que hay que hacer:

1.) Confirmar este proyecto Extract Text from PDF in C#. El proyecto usa ITextSharp.

• Sería mejor si descarga el proyecto de muestra y eche un vistazo a cómo funciona. En este proyecto, muestra cómo extraer datos de un pdf. Consulte la clase PDFParser, tiene la función llamada ExtractTextFromPDFBytes (byte [] entrada) de esa función, puede ver cómo se extrae el texto del archivo PDF descomprimido. No se olvide de incluir el dll ITextSharp.

clase PDFParser

 
    1 using System; 
    2 using System.IO; 
    3 using iTextSharp.text.pdf; 
    4 
    5 namespace PdfToText 
    6 { 
    7  /// 
    8  /// Parses a PDF file and extracts the text from it. 
    9  /// 
10  public class PDFParser 
11  { 
12   /// BT = Beginning of a text object operator 
13   /// ET = End of a text object operator 
14   /// Td move to the start of next line 
15   /// 5 Ts = superscript 
16   /// -5 Ts = subscript 
17 
18   #region Fields 
19 
20   #region _numberOfCharsToKeep 
21   /// 
22   /// The number of characters to keep, when extracting text. 
23   /// 
24   private static int _numberOfCharsToKeep = 15; 
25   #endregion 
26 
27   #endregion 
28 
29   #region ExtractText 
30   /// 
31   /// Extracts a text from a PDF file. 
32   /// 
33   /// the full path to the pdf file. 
34   /// the output file name. 
35   /// the extracted text 
36   public bool ExtractText(string inFileName, string outFileName) 
37   { 
38    StreamWriter outFile = null; 
39    try 
40    { 
41     // Create a reader for the given PDF file 
42     PdfReader reader = new PdfReader(inFileName); 
43     //outFile = File.CreateText(outFileName); 
44     outFile = new StreamWriter(outFileName, false, System.Text.Encoding.UTF8); 
45     
46     Console.Write("Processing: "); 
47     
48     int  totalLen = 68; 
49     float charUnit = ((float)totalLen)/(float)reader.NumberOfPages; 
50     int  totalWritten= 0; 
51     float curUnit  = 0; 
52 
53     for (int page = 1; page = 1.0f) 
59      { 
60       for (int i = 0; i = 1.0f) 
70       { 
71        for (int i = 0; i 
104   /// This method processes an uncompressed Adobe (text) object 
105   /// and extracts text. 
106   /// 
107   /// uncompressed 
108   /// 
109   private string ExtractTextFromPDFBytes(byte[] input) 
110   { 
111    if (input == null || input.Length == 0) return ""; 
112 
113    try 
114    { 
115     string resultString = ""; 
116 
117     // Flag showing if we are we currently inside a text object 
118     bool inTextObject = false; 
119 
120     // Flag showing if the next character is literal 
121     // e.g. '\\' to get a '\' character or '\(' to get '(' 
122     bool nextLiteral = false; 
123 
124     //() Bracket nesting level. Text appears inside() 
125     int bracketDepth = 0; 
126 
127     // Keep previous chars to get extract numbers etc.: 
128     char[] previousCharacters = new char[_numberOfCharsToKeep]; 
129     for (int j = 0; j = ' ') && (c = 128) && (c 
235   /// Check if a certain 2 character token just came along (e.g. BT) 
236   /// 
237   /// the searched token 
238   /// the recent character array 
239   /// 
240   private bool CheckToken(string[] tokens, char[] recent) 
241   { 
242    foreach(string token in tokens) 
243    { 
244     if ((recent[_numberOfCharsToKeep - 3] == token[0]) && 
245      (recent[_numberOfCharsToKeep - 2] == token[1]) && 
246      ((recent[_numberOfCharsToKeep - 1] == ' ') || 
247      (recent[_numberOfCharsToKeep - 1] == 0x0d) || 
248      (recent[_numberOfCharsToKeep - 1] == 0x0a)) && 
249      ((recent[_numberOfCharsToKeep - 4] == ' ') || 
250      (recent[_numberOfCharsToKeep - 4] == 0x0d) || 
251      (recent[_numberOfCharsToKeep - 4] == 0x0a)) 
252      ) 
253     { 
254      return true; 
255     } 
256    } 
257    return false; 
258   } 
259   #endregion 
260  } 
261 } 

2.) analizar el texto extraído y crear y archivo XML.

• Algunas de mis preocupaciones antes son los pdf que contienen enlaces rotos o direcciones URL dentro de las páginas. Ahora, por si acaso si también le preocupa este problema, la expresión regular puede resolver su problema fácilmente, pero le sugiero que lo solucione más adelante.

• Ahora aquí hay un código de muestra sobre cómo crear un xml. Comprenda cómo funciona el código, para luego saber cómo manejar su propio código.

 
    try { 
     //XmlDataDocument sourceXML = new XmlDataDocument(); 
     string xmlFile = Server.MapPath(“DVDlist.xml”); 
     //create a XML file is not exist 
     System.Xml.XmlTextWriter writer = new System.Xml.XmlTextWriter(xmlFile, null); 
     //starts a new document 
     writer.WriteStartDocument(); 
     //write comments 
     writer.WriteComment(“Commentss: XmlWriter Test Program”); 
     writer.Formatting = Formatting.Indented; 
     writer.WriteStartElement(“DVDlist”); 
     writer.WriteStartElement(“DVD”); 
     writer.WriteAttributeString(“ID”, “1″); 
     //write some simple elements 
     writer.WriteElementString(“Title”, “Tere Naam”); 
     writer.WriteStartElement(“Starring”); 
     writer.WriteElementString(“Actor”, “Salman Khan”); 
     writer.WriteEndElement(); 
     writer.WriteEndElement(); 
     writer.WriteEndElement(); 
     writer.Close(); 
    } 
    catch (Exception e1) { 
     Page.Response.Write(e1); 
    } 

espero que ayude :)

Answer 4

Eche un vistazo a pdf2Data.
http://itextpdf.com/blog/pdf2data-extract-information-invoices-and-templates

Convierte archivos PDF a archivos XML basados ​​en una plantilla. Las plantillas se definen mediante selectores que permiten al usuario final especificar cosas como "seleccionar la tabla en la segunda página" o "seleccionar el texto escrito en esta fuente en particular", y así sucesivamente.

Tenga en cuenta que estoy afiliado a iText, por lo que, aunque mi conocimiento de PDF es extenso, puede que me consideren sesgado hacia los productos iText (ya que los ayudo a desarrollarlos).