怎么读取PDF文件内容才不是乱码

[Cosmo]

PDDocument doc = PDDocument.load(file.FullName);
PDFTextStripper pdfStripper = new PDFTextStripper();
string text = pdfStripper.getText(doc);
StreamWriter swPdfChange = new StreamWriter(txtfile.FullName, false, Encoding.GetEncoding("gb2312"));
swPdfChange.Write(text);
swPdfChange.Close();
这种方式能读出来中文。但不能保存到数据库中，因为内容太长了。
我想通过二进方式保存但读出来后都是乱码
FileStream f = new FileStream(string.Format(strFilePath, strFileName), FileMode.Open, FileAccess.Read);
BinaryReader br = new BinaryReader(f);
byte[] buffer = br.ReadBytes(Convert.ToInt32(f.Length));
return buffer;

[笨笨兔兔兔兔兔]

活学活用啊 PDFParser parser = new PDFParser( is ); load 一个stream对象 然后做反解析就可以了

[rtdb]

引用 9 楼 chengguangsheng 的回复:

[quote=引用 8 楼 rtdb 的回复:] 有Lucene的话，文本内容就可以放Lucene里，没必要存入数据库的

文件非常多，如果每个文件在搜索的时候再去把内容读出来这样性能非常慢的。[/quote] 这么说吧，Lucene专业就是干这个的， 至于非结构化数据存入数据库，见过太多了，基本上是等死的节奏。 等数据量上来，你就知道数据库会慢成什么样了。

[Cosmo]

引用 1 楼 liuxiaoyi666 的回复:

活学活用啊 PDFParser parser = new PDFParser( is ); load 一个stream对象 然后做反解析就可以了

我太菜了，没听懂，是否可以上点实例或者详细点。

[rtdb]

二进制方式保存省不了什么空间的，你搞错方向了

[rtdb]

再说了，二进制入，当然也应是二进制出， 当字符显示的时候不转换当然会是乱码

[Cosmo]

引用 4 楼 rtdb 的回复:

再说了，二进制入，当然也应是二进制出， 当字符显示的时候不转换当然会是乱码

不保存二进制那怎么保存内容，我把二进制流转换回来就是乱码了。什么编码都尝试过。貌似都不行。。

[rtdb]

二进制流进数据库的话，你找图片文件存数据库的例子。 不过若是“因为内容太长了”，那转二进制存是没有意义的，这并不能节省空间，字符串进了数据库后也是要存为二进制流的 所以要回到基本问题： “因为内容太长了”是什么意思，到底是多长，10M？ 数据库开了多大的字段放不下？

[Cosmo]

引用 6 楼 rtdb 的回复:

二进制流进数据库的话，你找图片文件存数据库的例子。 不过若是“因为内容太长了”，那转二进制存是没有意义的，这并不能节省空间，字符串进了数据库后也是要存为二进制流的 所以要回到基本问题： “因为内容太长了”是什么意思，到底是多长，10M？ 数据库开了多大的字段放不下？

非常感谢你的热心回答。 我是做全文搜索功能，就一堆文件要通过关键字把这个文件这部分内容抓取出来给用户。 我通过Lucene.net+PanGu分词实现。 现在遇到的问题是要把PDF文件中内容取出来（保存到数据库文本方式是保存不了故我内容转为二进制保存，但我后面想把二进制转换为文本，怎么搞都是乱码）和PanGu分词进行比较才行搜索。

[rtdb]

有Lucene的话，文本内容就可以放Lucene里，没必要存入数据库的

[Cosmo]

引用 8 楼 rtdb 的回复:

有Lucene的话，文本内容就可以放Lucene里，没必要存入数据库的

文件非常多，如果每个文件在搜索的时候再去把内容读出来这样性能非常慢的。