PDFsharp 不支持文本提取，因其仅处理绘图指令而不解析字体与编码；推荐使用 PdfPdfiumSharp（高精度，支持中日韩）或 iTextSharp.LGPLv2.Core（轻量但兼容性较弱）。

用 PDFsharp 提取文字会失败，别试了

PDFsharp 虽然能读取 PDF 结构、渲染页面，但它**完全不支持文本提取**——它把 PDF 当作绘图指令流处理，不解析字符编码、字体映射和文本顺序。你调用 page.Content 拿到的只是原始操作符（如 Tf、Tj），不是可读字符串。强行解析等于重写一个 PDF 文本解析器，实际项目中没人这么干。

推荐用 PdfPdfiumSharp（.NET 6+）或 iTextSharp.LGPLv2.Core（旧项目）

前者基于 Google 的 pdfium 引擎，精度高、支持复杂字体和横向/竖排中文；后者是 LGPL 开源版 iText，轻量但对某些嵌入字体或加密 PDF 支持较弱。

C#

"避开 C# 常见错误——空陷阱、异步陷阱、LINQ 陷阱及资源泄漏。"

下载

• 安装 PdfPdfiumSharp：dotnet add package PdfPdfiumSharp（需 Windows/macOS/Linux 原生库，NuGet 会自动拉取对应平台 libpdfium）
• 基础提取代码很短：

  using PdfPdfiumSharp;
  
  using var doc = PdfDocument.Load("sample.pdf");
  string fullText = "";
  for (int i = 0; i < doc.PageCount; i++)
  {
      var page = doc.GetPage(i);
      fullText += page.GetText(); // 返回纯文本，已按阅读顺序拼接
      page.Dispose();
  }
  Console.WriteLine(fullText);

• 注意：如果 PDF 是扫描件（即图片型 PDF），GetText() 返回空字符串——它只处理「可选中文本」（text-based PDF），不带 OCR 功能

iTextSharp.LGPLv2.Core 提取时乱码？重点检查字体和编码

中文乱码通常不是代码写错，而是 PDF 内嵌字体未正确映射到 Unicode。iText 默认尝试用字体描述里的 ToUnicode 表，但很多国产 PDF 工具生成的文件缺失该表。

• 先确认是否真有文本层：pdftotext -listfont sample.pdf（命令行工具，Linux/macOS 自带；Windows 可装 poppler）看输出里有没有 UniGB-UCS2-H 或类似中文字体名
• 若无 ToUnicode 表，可强制按 GBK 解码（仅限简体中文 PDF）：renderer.SetFontEncoding("GBK")（具体方法名依版本略有差异，查 ITextRenderer 或 PdfTextExtractor 类）
• 不建议全局设 Encoding.UTF8——PDF 中文字体多数用双字节编码，UTF8 直接解会崩出

加密 PDF 怎么办？先解密再提取

遇到 PDF file is encrypted 错误，说明文档带打开密码（user password）或权限密码（owner password）。PdfPdfiumSharp 和 iTextSharp.LGPLv2.Core 都支持传入密码打开：

• PdfPdfiumSharp：PdfDocument.Load("locked.pdf", "password123")
• iTextSharp.LGPLv2.Core：var reader = new PdfReader("locked.pdf", new ReaderProperties().SetPassword("password123".ToCharArray()))
• 如果只知道 owner password（比如从 Adobe Acrobat 打印限制里拿到的），部分库不支持仅凭 owner 密码解密——得先用工具（如 qpdf --decrypt）转成明文 PDF 再处理

提取 PDF 文字真正难的不是调 API，而是判断当前文件属于哪一类：是标准文本 PDF、扫描图转文字 PDF、还是混合型（图文混排+部分区域 OCR）。工具只能解决第一类；后两类必须引入 OCR（如 Tesseract + ImageSharp 截图页面再识别），那已经是另一个技术栈了。