You need to enable JavaScript to run this app. 如何使用iText7提取Azure Blob存储中PDF的文本内容
优惠活动
大模型
产品
解决方案
定价
更多

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
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.18 13:54:04