¿Busca programáticamente texto en un archivo PDF y dice el número de página?

Question

Existen algunas herramientas que permiten extraer la parte de texto completo de un archivo PDF para indexar el PDF completo.

Lo que necesito es una forma de buscar ciertas cadenas y, si las encontré en el archivo PDF, ¿devolver el número de página?

Answer 1

En este ejemplo se utiliza la biblioteca se incluye con Adobe Reader y proviene de http://www.dotnetspider.com/resources/5040-Get-PDF-Page-Number.aspx:

using Acrobat; 
using AFORMAUTLib;       
private void pdfRandD(string fPath) 
{ 
    AcroPDDocClass objPages = new AcroPDDocClass(); 
    objPages.Open(fPath); 
    long TotalPDFPages = objPages.GetNumPages();    
    objPages.Close(); 
    AcroAVDocClass avDoc = new AcroAVDocClass(); 
    avDoc.Open(fPath, "Title"); 
    IAFormApp formApp = new AFormAppClass(); 
    IFields myFields = (IFields)formApp.Fields;    
    string searchWord = "Search String"; 
    string k = ""; 
    StreamWriter sw = new 
     StreamWriter(@"D:\KCG_FileChecker_Inputs\MAC\pdf\0230_525490_23_cha17.txt", false); 
    for (int p = 0; p < TotalPDFPages; p++) 
    {     
     int numWords = int.Parse(myFields.ExecuteThisJavascript("event.value=this.getPageNumWords(" + p + ");")); 
     k = ""; 
     for (int i = 0; i < numWords; i++) 
     { 
      string chkWord = myFields.ExecuteThisJavascript("event.value=this.getPageNthWord(" + p + "," + i + ", true);"); 
      k = k + " " + chkWord; 
     }     
     if(k.Trim().Contains(searchWord)) 
     { 
      int pNum = int.Parse(myFields.ExecuteThisJavascript("event.value=this.getPageLabel(" + p + ",true);")); 
      sw.WriteLine("The Word " + searchWord + " is exists in " + pNum);      
     } 

    } 
    sw.Close(); 
    MessageBox.Show("Process completed"); 
} 

Answer 2

Puede utilizar Docotic.Pdf library para buscar texto en archivos PDF.

siguiente ejemplo muestra cómo encontrar cadenas especificadas en un archivo PDF y números de páginas correspondientes:

static void searchForTextStrings() 
{ 
    string path = ""; 
    string[] stringsToFind = new string[] { }; 

    using (PdfDocument pdf = new PdfDocument(path)) 
    { 
     for (int i = 0; i < pdf.Pages.Count; i++) 
     { 
      string pageText = pdf.Pages[i].GetText(); 
      foreach (string s in stringsToFind) 
      { 
       int index = pageText.IndexOf(s, 0, StringComparison.CurrentCultureIgnoreCase); 
       if (index != -1) 
        Console.WriteLine("'{0}' found on page {1}", s, i); 
      } 
     } 
    } 
} 

Una búsqueda entre mayúsculas y minúsculas pueden llevarse a cabo si se quita tercer argumento del método IndexOf.

Descargo de responsabilidad: Trabajo para Bit Miracle, proveedor de la biblioteca.