知识管理系统Data Solution研发日记之十四 如何以编程方式处理PDF格式文档

这个系列的文章主要讲解如何处理本机文档和互联网数据。今天要讨论的主题是，如何把PDF文档格式转化为可以编辑的RTF格式。PDF格式本身是只读的，需要Acrobat Professional这样的软件来编辑它的内容，或者在WORD中编辑好后，转化为PDF格式。我要达到的目标是这样的

指定的格式选择项如果PDF被勾选，则Path路径中所有的的PDF格式的文档会被处理，之后再导入文档数据库中。
好了，为了达到这个目的，我尝试了以下几种方法

1. Adobe Acrobat SDK  这是处理PDF文档的官方开发包，也应该是最权威的处理工具。好像授权费用不菲，而且也找不到免费的版本。
2. PDF.NET 这个工具包相当不错，它包含了处理PDF格式的方方面面，而且提供托管代码的完整例子。试用版只能处理PDF文档的前几页，而且会加上试用的水印。
3. Aspose PDF.NET , Aspone Recognition 这两个工具包也相当强大，好用。在转换PDF为DOC格式时，有些限制，毕竟不是专业的OCR工具包。当你的PDF格式中包含有中文时，它就无法处理了。官方的Known Limitations中有说明到，Predefined composite fonts encodings used for Chinese, Japanese and Korean languages are not implemented。亚洲语言文字，在安装操作系统时，这些语言包也是另外单独安装的。
4. Solid Converter PDF 这个工具，在转换PDF到DOC格式方面，95%的内容都完整的保留和正确转换。可惜没有开发包，不能编程调用。
5. 把PDF转化为TIFF，再运用OCR技术把TIFF格式转化为DOC格式。找到一些工具包，是OCX格式的控件，主要是不稳定，也没有提供纯.NET的包装。理论上.NET可以调用COM格式的组件包，实际上有些细节如何COM没有处理好，.NET调用也会有些问题。
6. Solid PDF Tools 这个工具，也提供相当好的PDF格式转DOC格式工具。最重要的一点是，它可以接受命令行参数，这样可以被我的程序调用。

经历了层层选择的痛苦，最后选中以命令行参数方式，调用第三方工具包。这样转换后的格式效果好，也就是选择第5项的工具，Solid PDF Tools。所以，为了让你的Data Loader中的Doc Scanner能正确工作以处理PDF格式文档，请先安装这个工具，Data Loader就是以它来转换PDF格式的文件的。

请看上图，这就是它的界面效果。这个软件小巧，但是编辑PDF格式起来，丝毫不逊色于Adobe Professional。最重要的我喜欢的一点是，它支持命令行调用，可以被.NET或是任何的编程语言调用。

再来看一下，.NET的调用代码是如何写的，它的方法体如下

 public static string ConvertPdfToDoc(string pdf)
 {
       string outputFolder = Path.GetDirectoryName(pdf);
       string outputFile = Path.Combine(Path.GetDirectoryName(pdf), 
                Path.GetFileNameWithoutExtension(pdf) + ".doc");
        string pathWithFile = pdf.Replace(@"\", @"\\");
        outputFolder = outputFolder.Replace(@"\", @"\\");
        String sampleScript =
          @"<</FileName (" + pathWithFile + @")>> FileOpen 
             <</WordDocumentType/Doc /OutputFolder (" + outputFolder + @") 
                /ReconstructionMode/Flowing 
                /LaunchViewer false>> ConvertToWord 
              Exit";

         SolidScript solidScript = new SolidScript("Solid PDF Tools"); 
         // replace Solid PDF Tools with the product you're scripting
         solidScript.RunScript(sampleScript);

         return outputFile;
}

是的，这就是Data Loader内部处理PDF文档格式的全部细节，再调用SolidScript来生成进程调用，把参数传递到Solid PDF Tools的进程中。您如果不明白上面.NET代码的含义，你可以参考下面的流程。

先打开记事本，输入如下的脚本代码，

<</FileName (G:\\TDDOWNLOAD\\solidwatcher\\bin\\Debug\\File.pdf)>> FileOpen
              <</WordDocumentType/Doc /OutputFolder (G:\\Eclipse\\doc)
                /ReconstructionMode/Flowing
                /LaunchViewer false>> ConvertToWord
              Exit

再启动运行，命令行cmd，输入如下命令

这样，你就可以到看Solid PDF Tools对传入参数的PDF格式的处理。把这个过程封装为.NET脚本代码，就是上面您看到的ConvertPdfToDoc方法。

如果你不是为了能用代码方式转化PDF为DOC，你可以尝试以下几个工具，它们都是绿色的的小软件，帮忙你把PDF格式转化为DOC。

1. 4Media PDF to Word Converter
2. AnyBizSoftPDFConverterPortable
3. Nitro PDF
4. PDF To Word RTF Converter
5. SimpoPDFConverterPortable

这五个工具都非常不错。绿色，体积小。如果你需要command line调用，我推荐Solid PDF Tools。

在转换PDF为DOC格式过程中，接触到OCR技术，光学识别技术。它把PDF转化为TIFF格式，再把TIFF格式转化为DOC格式。对于OCR技术，业界最出名的莫过于ABBYY的SDK，它是目前最优秀的OCR技术的组件包之一。

来看一下，它的产品ABBYY FineReader 9，界面效果如下图

它可直接连接到硬件设备，把扫描到的内容转化为可以编辑的DOC格式。如果有精力也可以体验一下ABBYY 的SDK，提供C++和.NET平台，各种平台语言的开发包。写到这里，也开始喜欢上C++代码。在托管语言领域，有强大的Visual Studio,量身定制的C#语言和它的编译器，大量的第三方组件厂商。然而在非托管代码领域，百花齐放。没有微软的垄断性主导地位，各个软件公司才有它们的专长，籍以此生存的技术资源。所以如果你感觉你的开发工具不好用，你购买的SDK还不够友好，我觉得这就是你的机会，你以此改善和切入的机会。

请到epn.codeplex.com中下载最新版本的Data Loader程序和相关的开发文档。