C# PDF 源文件分析+中英文本提取
sunzongbao2007 发帖表示 “我想发帖写写PDF是怎么存储文字的，这有人支持么，有人支持的话，下周一出完整帖子。” 据推测，他的原意是不用第三方PDF控件，只用PDF源文件分析


我在这里向他表示支持并提问，



请问在用C#分析PDF文件的时候：

1）

影印版里面的字体，是怎样处理的？

就是那种看起来不清晰，像影印的，而且有的已经歪歪斜斜的了，但是还可以copy 出来的那种？

2）


就是手工粘贴 PDF 段落的时候，经常段落信息会丢失。

就是说 一个PDF中有10行文字的段落，粘贴出来 是10行字，而不是一个句句相连的段落。

希望在sunzongbao2007发帖的时候能搞定这些问题（中英文）。


就这样吧，


打酱油的，作DM，TM，NLP的，欢迎讨论，本人发帖，从不坑跌。






------解决方案--------------------
www.it118.org/Specials/321869dd-98cb-431b-b6d2-82d973cd739d/f39d8306-42e9-488a-af47-4bd7e51f09c1.htm
------解决方案--------------------
影印版里面的字体，是怎样处理的？

就是那种看起来不清晰，像影印的，而且有的已经歪歪斜斜的了，但是还可以copy 出来的那种？

除非是光学文字识别（OCR），，或者拷贝出图像，否则不可能。

2）


就是手工粘贴 PDF 段落的时候，经常段落信息会丢失。

就是说 一个PDF中有10行文字的段落，粘贴出来 是10行字，而不是一个句句相连的段落。

PDF使用了绝对定位和流定位结合的方法来保持排版，这样的特性使得它更像是打印机脚本，而不是文档。也就是说，pdf本身没有逻辑上的段落这个概念。所谓能粘贴出段落，是提取软件自身实现的，所以不可靠。
------解决方案--------------------
坐等源码。。。
------解决方案--------------------
用 IFilter 可以提取 .pdf 里面的内容。如果是个图片，再用 OCR 辨认一下就 ok。。

自己从头写过？ 重新发明轮子是不是就是这样。。
------解决方案--------------------
PDF取值应该很容易了吧
教程应该比较多

用微软的 OCR识别 就必须装Office的一个组件
其它的OCR软件或者库感觉识别率都没有微软的识别率高

OCR可以bing 这个 MODIDemo
------解决方案--------------------
用到了图像识别技术，不是单纯的复制文字，你选择的时候可以发现 影印版选择的是区域。