C#提取SharePoint在线PDF文本失败，请求技术解决方案

你遇到的InvalidPdfException: 'PDF header signature not found.'本质是你的请求没有成功拿到SharePoint上的PDF文件，反而获取到了其他内容（大概率是未授权的登录页面HTML），所以iTextSharp无法识别为合法PDF。浏览器保存的凭证是会话隔离的，代码没法直接复用，下面给你具体的解决思路和修复方案：

1. 先搞懂SharePoint的认证逻辑 #

你当前用的CredentialCache.DefaultCredentials或NetworkCredential只适用于简单的Windows NTML认证，但现代SharePoint（尤其是Online/M365版本）用的是OAuth/ADFS等更复杂的认证机制，普通HttpWebRequest没法直接绕过。

2. 针对不同SharePoint环境的修复方案 #

方案一：SharePoint Online（M365）推荐用CSOM #

这是最稳定的方式，先安装NuGet包Microsoft.SharePointOnline.CSOM，然后用以下代码获取文件流并提取文本：

using Microsoft.SharePoint.Client;
using System.IO;
using System.Security;
using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;

public static string ExtractSharePointOnlinePdfText(string siteUrl, string serverRelativeFilePath, string userName, string password)
{
    string extractedText = string.Empty;
    
    // 安全存储密码
    var securePassword = new SecureString();
    foreach (char c in password)
    {
        securePassword.AppendChar(c);
    }

    using (var context = new ClientContext(siteUrl))
    {
        // 配置SharePoint Online认证
        context.Credentials = new SharePointOnlineCredentials(userName, securePassword);
        
        // 获取目标文件
        var file = context.Web.GetFileByServerRelativeUrl(serverRelativeFilePath);
        context.Load(file);
        context.ExecuteQuery();

        // 获取文件流并提取文本
        using (var pdfStream = file.OpenBinaryStream())
        {
            using (var reader = new PdfReader(pdfStream))
            {
                for (int page = 1; page <= reader.NumberOfPages; page++)
                {
                    extractedText += PdfTextExtractor.GetTextFromPage(reader, page);
                }
            }
        }
    }
    
    return extractedText;
}

注意：serverRelativeFilePath是文件在站点内的相对路径，比如/Documents/MyPrivateFile.pdf

方案二：本地SharePoint服务器（On-Premises）调整HttpWebRequest认证 #

如果是本地部署的SharePoint，试试NTLM认证并开启自动解压：

public static string pdfTX(string path, string userName, string password, string domain) {
    CookieContainer cookieJar = new CookieContainer();
    HttpWebRequest request = (HttpWebRequest)WebRequest.Create(path);
    
    // 配置NTLM认证
    request.Credentials = new NetworkCredential(userName, password, domain);
    request.PreAuthenticate = true;
    // 开启Gzip解压，SharePoint可能返回压缩内容
    request.AutomaticDecompression = DecompressionMethods.GZip | DecompressionMethods.Deflate;
    
    request.UserAgent = @"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/51.0.2704.106 Safari/537.36";

    using (HttpWebResponse response = (HttpWebResponse)request.GetResponse())
    using (Stream stream = response.GetResponseStream())
    {
        // 先调试：把流保存到本地，确认是不是PDF
        // using (FileStream fs = new FileStream("test.pdf", FileMode.Create)) { stream.CopyTo(fs); }
        
        string textPDF = string.Empty;
        PdfReader reader = new PdfReader(stream);
        for (int page = 1; page <= reader.NumberOfPages; page++) {
            textPDF += PdfTextExtractor.GetTextFromPage(reader, page);
        }
        reader.Close();
        return textPDF;
    }
}

务必确保path是PDF的直接下载URL，不是SharePoint的预览页面URL（预览页是HTML，不是PDF流）。

3. 关键调试步骤 #

如果还是出错，先把请求返回的流保存成本地文件：

using (FileStream fs = new FileStream("response_content.html", FileMode.Create))
{
    stream.CopyTo(fs);
}

打开这个文件，如果是登录页面、权限提示或HTML错误页，就说明认证肯定没通过，需要调整认证方式；如果是乱码，可能是没开启解压。

内容的提问来源于stack exchange，提问作者Kugelkopf