如何在ASP.NET C#中检测上传PDF文件是否存在指定文本

直接用StreamReader读取PDF文件会出现乱码，原因是PDF不是纯文本格式——它是包含字体、布局、二进制结构的复合文档，强行按UTF-8文本流解析必然导致乱码。

要正确读取PDF中的文本并判断是否包含指定内容，需要使用专门的PDF处理库，以下是两种常用方案：

方案1：使用iTextSharp（适用于.NET Framework） #

1. 先通过NuGet安装iTextSharp包：

   Install-Package iTextSharp
   

2. 读取PDF文本并判断的代码示例：

   using iTextSharp.text.pdf;
   using iTextSharp.text.pdf.parser;
   
   // 获取上传文件的字节数组
   byte[] pdfBytes = this.docUploadField.FileBytes;
   string targetText = "需要查找的目标文本";
   bool hasTargetText = false;
   
   using (MemoryStream ms = new MemoryStream(pdfBytes))
   {
       using (PdfReader reader = new PdfReader(ms))
       {
           // 遍历PDF的每一页
           for (int pageNum = 1; pageNum <= reader.NumberOfPages; pageNum++)
           {
               // 提取当前页的文本内容
               string pageContent = PdfTextExtractor.GetTextFromPage(reader, pageNum);
               // 判断是否包含目标文本（可添加StringComparison参数忽略大小写）
               if (pageContent.Contains(targetText, StringComparison.OrdinalIgnoreCase))
               {
                   hasTargetText = true;
                   break; // 找到后直接退出循环，提升效率
               }
           }
       }
   }
   
   // 根据结果执行后续逻辑
   if (hasTargetText)
   {
       // PDF中存在目标文本
   }
   else
   {
       // PDF中不存在目标文本
   }
   

方案2：使用iText7（适用于.NET Core/.NET 5+） #

1. 通过NuGet安装iText7包：

   Install-Package itext7
   

2. 对应代码示例：

   using iText.Kernel.Pdf;
   using iText.Kernel.Pdf.Canvas.Parser;
   using iText.Kernel.Pdf.Canvas.Parser.Listener;
   
   byte[] pdfBytes = this.docUploadField.FileBytes;
   string targetText = "需要查找的目标文本";
   bool hasTargetText = false;
   
   using (MemoryStream ms = new MemoryStream(pdfBytes))
   {
       using (PdfDocument pdfDoc = new PdfDocument(new PdfReader(ms)))
       {
           for (int pageNum = 1; pageNum <= pdfDoc.GetNumberOfPages(); pageNum++)
           {
               // 创建文本提取策略
               ITextExtractionStrategy extractionStrategy = new SimpleTextExtractionStrategy();
               // 提取当前页文本
               string pageContent = PdfTextExtractor.GetTextFromPage(pdfDoc.GetPage(pageNum), extractionStrategy);
               if (pageContent.Contains(targetText, StringComparison.OrdinalIgnoreCase))
               {
                   hasTargetText = true;
                   break;
               }
           }
       }
   }
   
   // 后续逻辑处理
   

注意事项 #

• 如果PDF是扫描生成的图片型PDF，上述方法无法提取文本，需要结合OCR工具（如Tesseract）先识别图片中的文本，再进行判断。
• 部分PDF的文本可能存在换行、空格或特殊格式，判断时可根据实际情况对提取的文本做预处理（如去除多余空格、换行符）。

内容的提问来源于stack exchange，提问作者learner18