用 iTextSharp 提取 PDF 文字最直接，但 NuGet 包名已变
iTextSharp 5.x 是老项目常用方案，但现在官方已停止维护，
iTextSharp.LGPLv2.Core是社区维护的兼容版，支持 .NET Core/.NET 5+。直接安装
Install-Package iTextSharp.LGPLv2.Core即可，别用原版
iTextSharp（不支持新框架，且含 GPL 风险）。
提取逻辑简单：加载 PDF → 遍历每页 → 用
LocationTextExtractionStrategy获取文本（它按阅读顺序拼接，比
SimpleTextExtractionStrategy更可靠）。
示例关键代码：
using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
PdfReader reader = new PdfReader("sample.pdf");
StringBuilder text = new StringBuilder();
for (int i = 1; i <= reader.NumberOfPages; i++)
{
string pageText = PdfTextExtractor.GetTextFromPage(reader, i, new LocationTextExtractionStrategy());
text.AppendLine(pageText);
}
reader.Close();
string fullText = text.ToString();
PDF 含扫描图或加密时，iTextSharp 会静默失败
iTextSharp 只能处理「文本型 PDF」——即内容本身是字符编码，不是图片。遇到扫描件（哪怕 OCR 过），它返回空字符串，也不报错。
判断方法：打开 PDF 用鼠标拖选文字，能复制就是文本型；不能复制、只能截图，就是图像型。
如果 PDF 被加密（即使没设密码，也可能有空密码或权限密码），
PdfReader构造时会抛
BadPasswordException或
InvalidPdfException。需提前捕获并尝试用空字符串解密：
new PdfReader("file.pdf", "".ToCharArray()) 可绕过常见空密码
若仍失败，说明有真实密码，必须提供才能继续
需要 OCR 时，得换 Tesseract + 图像预处理
对扫描 PDF，先用
Ghostscript或
ImageMagick将每页转为 PNG/JPEG，再喂给
Tesseract（OCR 引擎）。
关键点：
Tesseract 的eng.traineddata语言包必须放在
tessdata目录下，且初始化时指定路径：
new TesseractEngine(@"./tessdata", "eng", EngineMode.Default)图像质量影响极大：PDF 转图建议 DPI ≥ 300，灰度化 + 二值化（去噪）后再识别，否则错字率飙升
Tesseract.NET 封装推荐用
IronOcr（商业但易用）或
Tesseract.NET（免费但需手动配环境）
中文 PDF 常见乱码，根源在字体嵌入和编码映射
iTextSharp 默认用系统编码解析文本，但中文 PDF 多用自定义字体编码（如
GB2312、
UTF-16BE或 CID 字体），导致提取出“”或乱码。
缓解方式有限：
确保 PDF 中文字体已完全嵌入（用 Adobe Acrobat 检查「属性 → 字体」） 改用UnicodeTextExtractionStrategy（部分版本支持，非标准类，需自行实现） 更稳的路子是弃用 iTextSharp，换
PDFiumSharp（基于 Google PDFium）或
QuestPDF生态中的解析模块，它们对 Unicode 支持更底层
真正难搞的是那些用图形指令画汉字（非文本对象）的 PDF，这种连 OCR 都救不了——本质就不是文本，只是看着像。
