当前位置：文江博客话题详情

在 C# 中比较两个 pdf 文件的最佳方法是什么？

发布于 2024-10-06 07:18:51 字数 31 浏览 0 评论 0原文

我想用 C# 检查两个 PDF 文件的文本内容。

原文

分享到QQ

分享到微博

如果你对这篇内容有疑问，欢迎到本站社区发帖提问参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。

发布评论

需要登录才能够评论，你可以免费注册一个本站的账号。

昔梦 2024-10-13 07:18:51

如果它们相同，您可以进行二进制比较。如果要进行上下文比较，您可能需要一个 PDF 库。这里是一些库。

回复收藏 0 原文

天煞孤星 2024-10-13 07:18:51

这并不容易，但我想第一步是获得一个像样的 PDF 库，可以从 PDF 中提取文本。我使用过的一个是 ITextSharp，可从 http://itextpdf.com/ （开源）获得。然后尝试使用 diff 库，例如 DIffer：可重用的 C# diffing 实用程序和类库。祝你好运！

回复收藏 0 原文

囍笑 2024-10-13 07:18:51

已经有一段时间了，但这个功能对我有用（但不能保证......我不记得我是否在带有嵌入图像或其他内容的 PDF 上尝试过它）。文件中嵌入了 GUID 或某种 ID，您只需将其删除并比较其他所有内容即可。这是代码：

    static bool ComparePDFs(string file1, string file2)
    {
        if (!File.Exists(file2))
            return false;

        int i;
        string f1 = File.ReadAllText(file1);
        string f2 = File.ReadAllText(file2);

        if (f1.Length != f2.Length)
            return false;

        // Remove PDF ID from file1
        i = f1.LastIndexOf("/ID [<");
        if (i < 0)
            Console.WriteLine("Error: File is not a valid PDF file: " + file1);
        else
            f1 = f1.Substring(0, i) + f1.Substring(i + 75);

        // Remove PDF ID from file2
        i = f2.LastIndexOf("/ID [<");
        if (i < 0)
            Console.WriteLine("Error: File is not a valid PDF file: " + file2);
        else
            f2 = f2.Substring(0, i) + f2.Substring(i + 75);

        return f1 == f2;
    }

It's been awhile, but this function worked for me (but no guarantees... I don't remember if I tried it on PDF's with embedded images or anything). There is a GUID or some sort of ID embedded in the file, you just need to remove that and compare everything else. Here's the code:

    static bool ComparePDFs(string file1, string file2)
    {
        if (!File.Exists(file2))
            return false;

        int i;
        string f1 = File.ReadAllText(file1);
        string f2 = File.ReadAllText(file2);

        if (f1.Length != f2.Length)
            return false;

        // Remove PDF ID from file1
        i = f1.LastIndexOf("/ID [<");
        if (i < 0)
            Console.WriteLine("Error: File is not a valid PDF file: " + file1);
        else
            f1 = f1.Substring(0, i) + f1.Substring(i + 75);

        // Remove PDF ID from file2
        i = f2.LastIndexOf("/ID [<");
        if (i < 0)
            Console.WriteLine("Error: File is not a valid PDF file: " + file2);
        else
            f2 = f2.Substring(0, i) + f2.Substring(i + 75);

        return f1 == f2;
    }

回复收藏 0 原文

盗琴音 2024-10-13 07:18:51

免责声明：我在 Atalasoft 工作。

Atalasoft 的 DotImage SDK 可用于使用 C# 从 PDF 中提取文本。如果 PDF 已经可搜索，您可以轻松获取文本：

public String GetText(Stream s, int pageNum, int charIndex, int count)
{
   using (PdfTextDocument doc = new PdfTextDocument(s))
   {
       PdfTextPage textPage = doc.GetPage(pageNum);                    
       return textPage.GetText(charIndex, count);
   }
}

否则，您可以使用 OCR 工具检测图像上的文本。

Disclaimer: I work for Atalasoft.

Atalasoft's DotImage SDK can be used to extract the text from PDFs in C#. If the PDFs are already searchable you can easily get to the text:

public String GetText(Stream s, int pageNum, int charIndex, int count)
{
   using (PdfTextDocument doc = new PdfTextDocument(s))
   {
       PdfTextPage textPage = doc.GetPage(pageNum);                    
       return textPage.GetText(charIndex, count);
   }
}

Otherwise, you could use the OCR tools to detect the text on the image.

回复收藏 0 原文

~没有更多了~