我正在尝试创建一个基本上是我的PDF集合目录的应用程序。我们谈论的是15-20GB，包含数以万计的PDF。我还计划包括一个全文搜索机制。我将使用Lucene.NET进行搜索（实际上是NHibernate.Search），以及用于PDF-＆gt;文本转换的库。哪个是最好的选择？我在考虑这些：
编辑：其他不错的选择似乎是使用iFilters。与这些库相比，它们（Foxit / Adobe）的表现（速度/质量）有多好？
商业图书馆可能是不可能的，因为这是我的私人项目，我并没有真正的商业解决方案预算 - 尽管PDFTextStream看起来非常好。
从我read pdftotext 很多比PDFBox更快。与pdftotext相比，iTextSharp的表现如何？或者也许有人可以推荐其他好的解决方案？
答案 0 :(得分：3)
如果是私有项目，是否会进行持续的转换过程？例如。在你转换15-20Gb之后，你还会继续转换吗？
我问的原因是因为我想弄清楚速度是否是你的主要问题。如果是我，例如，转换书籍库，我主要关心的是转换的质量，而不是速度。如果有必要，我总是可以在夜间/周末离开转换！
答案 1 :(得分：1)
Foxit的PDF IFilter桌面版是免费的
http://www.foxitsoftware.com/pdf/ifilter/
它会自动进行索引和搜索，但也许它们的索引可供您使用。如果您打算在销售或分发的应用程序中使用它，那么我想这不是一个好的选择，但如果只是为了您自己，那么它可能会有用。
Foxit代码是我公司PDF Reader/Text Extraction library的核心，这不适合您的项目，但我可以保证底层Foxit引擎的结果的速度和质量。
答案 2 :(得分：0)
我想使用任何库都没问题，但你想在搜索时搜索所有这些20Gb文件吗？
对于全文搜索，最好是在客户端计算机上创建数据库，例如sqlite或任何本地数据库，读取所有pdf并将它们转换为纯文本，并在首先添加时将其存储在数据库中。
您的数据库可以简单地跟随......
Table: PDFFiles
PDFFileID
PDFFilePath
PDFTitle
PDFAuthor
PDFKeywords
PDFFullText....
并且您可以在需要时搜索此表，这样您的搜索将非常快速地独立于pdf的类型，并且只有在将pdf添加到您的集合或修改时才需要从pdf到数据库的转换。