如何使用iText7提取Azure Blob存储中PDF的文本内容
实现Azure Blob存储PDF的iText7文本提取方案
核心逻辑说明
iText7的PdfReader原生支持传入可读、可随机寻址的流对象,不需要强制读取本地磁盘路径的文件,你只需要先从Azure Blob中下载PDF内容为符合要求的流,替换掉原来传本地文件路径的参数即可,完全不用改动原有文本提取的核心逻辑。
实施步骤
- 安装依赖包
先通过NuGet安装访问Azure Blob的官方包:Azure.Storage.Blobs,已有的iText7相关包不需要额外调整。 - 获取Blob存储中的PDF流
注意:iText解析PDF需要对流进行随机位置的读取,因此不能直接使用Blob返回的无寻址能力的网络流,必须将PDF内容下载到支持随机访问的*MemoryStream*中,示例代码如下:// 替换为你的实际存储配置 string blobConnString = "<你的Blob存储账户连接字符串>"; string containerName = "<存放PDF的容器名称>"; string targetPdfBlobName = "<要提取的PDF在Blob中的文件名>"; // 初始化Blob服务客户端 BlobServiceClient blobServiceClient = new BlobServiceClient(blobConnString); BlobContainerClient containerClient = blobServiceClient.GetBlobContainerClient(containerName); BlobClient pdfBlobClient = containerClient.GetBlobClient(targetPdfBlobName); // 下载PDF到内存流 using MemoryStream pdfStream = new MemoryStream(); await pdfBlobClient.DownloadToAsync(pdfStream); // *必须*把流的位置重置到开头,否则iText会从流末尾读取触发报错 pdfStream.Position = 0; - 改造原有文本提取代码
你原来的循环逻辑存在小缺陷:遍历所有页码时始终调用GetFirstPage()读取首页,实际只会反复提取第一页的文本,本次一并修正。仅需要把原来传入本地路径的PdfReader参数替换为上面拿到的pdfStream即可,代码如下:var pageText = new StringBuilder(); using(PdfDocument pdfDocument = new PdfDocument(new PdfReader(pdfStream))) { int totalPageCount = pdfDocument.GetNumberOfPages(); for (int i = 1; i <= totalPageCount; i++) { LocationTextExtractionStrategy strategy = new LocationTextExtractionStrategy(); PdfCanvasProcessor parser = new PdfCanvasProcessor(strategy); // 按当前循环的页码读取对应页面 parser.ProcessPageContent(pdfDocument.GetPage(i)); pageText.Append(strategy.GetResultantText()); } }
注意事项
- 若需要访问受保护的Blob存储,不要硬编码连接字符串,可以使用
DefaultAzureCredential初始化BlobServiceClient,避免存储密钥泄露。 - 单份PDF大小超过100MB时,全量加载到内存流会占用较高内存,这种场景下可以先将Blob内容下载到系统临时目录的本地文件,提取完成后再删除临时文件,避免内存溢出。
- 不要直接传入Blob的网络流给
PdfReader,这类流默认不支持随机寻址,会直接触发iText的读取异常。
内容的提问来源于stack exchange,提问作者vaibhav
相关产品推荐
相关产品推荐

