PDFファイルをtextやcsv形式に変換したい

Question

タイトルの通りなのですが、PDFファイルをtextやcsv形式に変換するapiやライブラリはあるのでしょうか？

この処理は、できればサーバーサイドで行いたいです。

Answer 1

まずここでSpire.Office for .NETというライブラリーをダウンロードして、そしてPdfとXlsのdllファイルをVSに追加してから、以下のコードの通り操作すれば、PDFからCSVへの変換ができます。
PDFからExcelへ：

using Spire.Pdf;

namespace ConvertPDFToExcel
{
    class Program
    {
        static void Main(string[] args)
        {
            //PdfDocumentのインスタンスを作成する
            PdfDocument pdf = new PdfDocument();
            //PDFファイルをロードする
            pdf.LoadFromFile("Shopping list.pdf");

            //Excelとして保存する
            pdf.SaveToFile("PDFToExcel.xlsx", FileFormat.XLSX);
        }
    }
}

ExcelからTextへ：

using Spire.Xls;
namespace Excel_to_Txt
{
    class Program
    {
        static void Main(string[] args)
        {
            Workbook workbook = new Workbook();
            workbook.LoadFromFile(@"..\ExceltoTxt.xls");
            Worksheet sheet = workbook.Worksheets[0];
            sheet.SaveToFile("ExceltoTxt.txt", " ", Encoding.UTF8);
        }
    }
}

Answer 2

PDFからテキストはpopplerでできると思います。その中のpdftotextコマンドでテキストにはできます。
https://ja.wikipedia.org/wiki/Poppler

でも、PDFからCSVは知りませんね。CSVにするって意図はPDFのテーブルがタグで組まれていたらその部分だけCSVで取るってことでしょうか?あまりテーブルまでしっかり組まれたPDFはあまり見ない気がします。

Comments

[tlshi]

ありがとうございます。rubyでも扱えるみたいなので少し調べてみます。

Answer 3

ぱっと調べて、
Apache PDFBox
FeaturesにExtract Textとあったので多分テキストに変換できると思います。

Comments

[tlshi]

後付けで申し訳ないのですが、PDF中の表形式のような文書も抽出できるのか、また、動作などが見れる参考サイトがあれば教えていただきたいです。