推荐使用 iTextSharp.LGPLv2.Core（Install-Package iTextSharp.LGPLv2.Core）提取文本型 PDF；对扫描件需用 Ghostscript 转图 + Tesseract OCR；中文乱码优先检查字体嵌入，严重时换 PDFiumSharp。
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。
