C#代码实现将PDF文件转换为Markdown格式_Asp.net

将 pdf 文档转换为更灵活、易编辑的格式（例如 markdown）已经成为开发者和内容创作者常见的需求。将 pdf 转换为 markdown 文件，不仅方便后续编辑和版本管理，还能提升内容在不同平台和应用程序之间的兼容性，尤其适用于现代 web 发布流程。

通过文档处理工具，开发者可以自动完成 pdf 到 markdown 的转换，同时尽可能保留原始文档中的格式结构和内容信息。本教程将介绍如何使用 c# 实现 pdf 文档到 markdown 格式的转换，并展示具体代码示例。

准备工作

在开始 pdf 转 markdown 操作之前，需要先在 .net 项目中配置相关文档处理组件。您可以通过下载对应程序集文件，或使用 nuget 包管理器将所需依赖添加到项目中。

pm> install-package spire.pdf

将 pdf 文档转换为 markdown 文件

通过 c# 开发，可以轻松实现 pdf 文档到 markdown 格式的转换。首先加载目标 pdf 文件，然后将文档内容保存为 markdown 格式。在转换过程中，可以指定 markdown 输出格式，以生成可编辑、易管理的文本文件。

将 pdf 转换为 markdown 文件的具体步骤如下：

创建 pdf 文档处理对象。
加载需要转换的 pdf 文件。
将 pdf 文档转换并保存为 markdown 文件。

完整示例代码如下：

using spire.pdf;

namespace pdftomarkdown
{
    class program
    {
        static void main(string[] args)
        {
            // 创建 pdfdocument 类实例
            pdfdocument pdf = new pdfdocument();

            // 加载 pdf 文档
            pdf.loadfromfile("sample.pdf");

            // 将文档转换为 markdown 文件
            pdf.savetofile("output/pdftomarkdown.md", fileformat.markdown);

            // 释放资源
            pdf.close();
        }
    }
}

通过流（stream）将 pdf 转换为 markdown

除了直接读取文件进行处理外，还可以通过流（stream）的方式加载 pdf 文档，并将其转换为 markdown 文件流。通过 loadfromstream() 方法可以从数据流中读取 pdf 文档，再使用 savetostream() 方法将转换后的内容保存为 markdown 格式的数据流。

使用流处理方式可以减少内存占用，支持处理较大的文件，同时便于实时数据传输，并简化与其他系统之间的数据交换。

通过流方式将 pdf 文档转换为 markdown 文件的具体步骤如下：

创建 pdf 文档的数据流对象，可以通过从网络下载文件或读取本地文件生成。
使用 pdfdocument.loadfromstream(stream stream) 方法从流中加载 pdf 文档。
创建新的流对象，用于存储转换后的 markdown 文件。
使用 pdfdocument.savetostream(stream stream, fileformat.markdown) 方法将 pdf 文档转换为 markdown 文件流。

完整示例代码如下：

using spire.pdf;
using system.io;
using system.net.http;

namespace pdftomarkdownbystream
{
    class program
    {
        static async task main(string[] args)
        {
            // 创建 pdfdocument 类实例
            pdfdocument pdf = new pdfdocument();

            // 从 url 下载 pdf 文档并转换为字节数组
            using (httpclient client = new httpclient())
            {
                byte[] pdfbytes = await client.getbytearrayasync("http://example.com/sample.pdf");

                // 使用字节数组创建 memorystream
                using (memorystream inputstream = new memorystream(pdfbytes))
                {
                    // 从流中加载 pdf 文档
                    pdf.loadfromstream(inputstream);

                    // 创建另一个 memorystream 对象用于存储 markdown 文件
                    using (memorystream outputstream = new memorystream())
                    {
                        // 将 pdf 文档转换为 markdown 文件流
                        pdf.savetostream(outputstream, fileformat.markdown);
                        outputstream.position = 0; // 重置流的位置，以便后续读取

                        // 上传转换后的流，或将其写入文件
                        await client.postasync("http://example.com/upload", new streamcontent(outputstream));
                        file.writeallbytes("output.md", outputstream.toarray());
                    }
                }
            }

            // 释放资源
            pdf.close();
        }
    }
}

知识扩展

在c# 中将 pdf 转换为 markdown，目前主要有两类方案：使用成熟的商业/开源库，或自行解析 pdf 并生成 markdown。

方案一：使用专业转换库（推荐）

这是最省时省力的方式，市面上已有多个成熟的库可以直接完成转换。

1. groupdocs.markdown for .net

groupdocs 专门为文档转 markdown 设计，支持精准导出标题、段落、列表、表格、链接、图片、引用块和代码块。

using groupdocs.markdown;
// 设置许可证（可选）
license.set("groupdocs.markdown.lic");
// 实例化转换器
var converter = new markdownconverter("business-plan.pdf");
// 转换并保存
converter.convert("business-plan.md");

默认情况下，图片会以 base64 格式嵌入到输出文件中。如果希望将图片单独保存到文件夹：

var converter = new markdownconverter("document.pdf");
var convertoptions = new documentconverteroptions();
convertoptions.imageexportstrategy = new exportimagestofilesystemstrategy("./images");
converter.convert("output.md", convertoptions);

特点：本地处理、无需网络、跨平台（windows/linux）、支持 .net framework 4.6.2+ 和 .net 6.0+
许可：商业库，需要授权

2. syncfusion smart data extractor

syncfusion 的 smart data extractor 库可以分析 pdf 中的文本块、表格、页眉和表单字段，保持布局和格式。

using system.io;
using system.text;
using syncfusion.smartdataextractor;

// 打开 pdf 文件流
using (filestream stream = new filestream("input.pdf", filemode.open, fileaccess.read))
{
    // 初始化数据提取器
    dataextractor extractor = new dataextractor();
    
    // 提取为 markdown
    string data = extractor.extractdataasmarkdown(stream);
    
    // 保存为 markdown 文件
    file.writealltext("output.md", data, encoding.utf8);
}

提取特定页面：

// 设置要提取的页面范围（第2页）
extractor.pagerange = new int[,] { { 2, 2 } };
string data = extractor.extractdataasmarkdown(stream);

特点：同样支持从扫描图像（png/jpg）中提取 markdown
许可：商业库（syncfusion 有免费社区版，但功能受限）

3. aspose.pdf

aspose.pdf 提供了专门的 pdftomarkdownconverter 用于 pdf 到 markdown 的转换。

using aspose.pdf;

// 加载 pdf 文档
var document = new document("input.pdf");

// 转换为 markdown
// aspose.pdf 提供了 pdftomarkdownconverter 类
var converter = new pdftomarkdownconverter();
converter.bind(document);
converter.save("output.md");

特点：功能全面，支持从文件、字节数组或流中加载 pdf
许可：商业库（有 foss 版本，但功能有限）

4. markitdown（开源免费）

markitdown 是微软原版 markitdown python 库的 c# 移植版，专为 llm/rag 工作流设计，支持 22+ 种文件格式。

using managedcode.markitdown;

// 安装 nuget 包：dotnet add package managedcode.markitdown

var converter = new markitdownconverter();
var result = await converter.convertasync("document.pdf");

// result.content 即为转换后的 markdown 文本
file.writealltext("output.md", result.content);

特点：原生 .net 9、完全异步、流式处理大文件、内存高效
许可：开源免费
注意：项目较新，建议在非生产环境先验证转换质量

方案二：自行解析 pdf（开源库组合）

如果需要完全控制转换过程，或者预算有限，可以使用开源 pdf 解析库（如 pdfpig 或 itextsharp）提取内容，然后自行生成 markdown。

使用 pdfpig 提取文本

pdfpig 是 apache pdfbox 的 c# 移植版，支持从 pdf 中读取文本和内容。

using uglytoad.pdfpig;
using uglytoad.pdfpig.content;
using system.text;

public string convertpdftomarkdown(string pdfpath)
{
    var sb = new stringbuilder();
    
    using (var pdf = pdfdocument.open(pdfpath))
    {
        foreach (var page in pdf.getpages())
        {
            // 提取页面文本
            var text = page.text;
            
            // 这里需要自行解析文本结构，添加 markdown 格式
            // 例如：识别标题、列表、表格等
            sb.appendline(text);
            sb.appendline(); // 页面分隔
        }
    }
    
    return sb.tostring();
}

总结

将 pdf 转换为 markdown 可以帮助开发者更方便地编辑、管理和发布文档内容。相比直接处理 pdf 文件，通过 markdown 格式可以提升内容的可读性和跨平台兼容性，适用于网页发布、知识管理和内容处理等场景。

本文介绍了两种使用 c# 实现 pdf 转 markdown 的方法。第一种方法通过直接加载 pdf 文件并保存为 markdown 格式，适用于常规文档转换需求；第二种方法基于流（stream）处理 pdf 数据，可以减少内存占用，并支持从网络、本地文件或其他数据源读取和传输文档内容，更适合处理大型文件或集成到应用程序中。

通过这些方法，开发者可以根据实际应用场景选择合适的转换方式，实现更加灵活、高效的 pdf 文档处理流程。

以上就是c#代码实现将pdf文件转换为markdown格式的详细内容，更多关于c#实现pdf转markdown的资料请关注代码网其它相关文章！