PowerShellでPDFファイルをテキスト化する

 PDFファイルが大量にあるため、中身を検索する方法がないか調べたときのメモ

　・外部のdllは必須っぽい

　・PowerShell単独や.NET Frameworkなどの利用だけではどうにもならない

ちょっと調べるだけでもiTextSharpが使えそうだったので利用する。

１．dllのダウンロードについて

「iTextSharp」「nuget」で検索して出てくるサイトで「Download package」をクリックしてダウンロードしたファイルの拡張子を「.nupkg」から「zip」に変換し、中身の「itextsharp.dll」を取り出して、右クリップ→プロパティで「許可する」にチェックを入れた

※後術するが最新版のバージョンではうまくいかない

２．ソースコード

# iTextSharpの読み込み

[System.Reflection.Assembly]::LoadFrom("c:\****\itextsharp.dll")

# pdfファイルの指定

$pdf1 = New-object iTextSharp.text.pdf.pdfreader("C:\****\Sample.pdf")

Write-Host($pdf1.NumberOfPages);

$intPageMax = $pdf1.NumberOfPages;

for($i=1;$i -le $intPageMax;$i++){

    $strText = [iTextSharp.text.pdf.parser.PdfTextExtractor]::GetTextFrompage($pdf1,$i);

    Write-Host($strText.Replace("`n",""));

}

# 後処理

$pdf1.Close()

３．結果

　依存関係の読み込みがうまくいかなくて失敗・・・。ネットで調べていると海外のサイトで旧バージョンならうまく動くらしいとの情報を得たため、もう一度先ほどのパッケージのダウンロードサイトで「Full stats →」をクリックして、古いバージョンのものを取得してきた。

　5.5.7ぐらいのバージョンならうまく実行できた。