Innanzitutto mi sono affidato alla sempre ottima libreria ITextSharp con la quale mi sento sempre a mio agio, ma purtroppo questa volta non ho trovato niente di "già pronto" per questa esigenza.

 

Allora ho cominciato da "buon developer" a cercare su internet qualche specifica del file pdf da Adobe  e se qualche altro avesse già fatto qualcosa del genere.

Alla fine ne sono uscito con questo codice che sembra funzionare discretamente per quasi tutti i documenti su cui dovevo cercare:

StringBuilder sb = new StringBuilder();
PdfReader reader = new PdfReader("...path del file pdf...");

for (int i = 1; i <= reader.NumberOfPages; i++)
{
    byte[] bytes = reader.GetPageContent(i);
    bool inserire = false;
    char c;

    foreach (byte item in bytes)
    {
        c = (char)item;

        if (c == '(') 
        {
            inserire = true;
            continue;           //--- sta cominciando una parola salto la tonda
        }

        if (c == ')') 
            inserire = false; //--- finita la parola

        if(inserire) 
            sb.Append(c);
    }
}

 

sb.ToString();   //--- ho tutto il testo del pdf in questa stringa

 

Come da specifiche ( capitolo 4:Text delle specifiche di adobe ) il testo viene racchiuso dentro alle parentesi tonde, e ITextSharp mi permette di analizzare direttamente il contenuto della singola pagina (metodo "GetPageContent()" ) , carattere per carattere, senza preoccuparmi di codifiche o altri byte che compongono file pdf.

Chiaramente arrivato ad avere il testo in memoria su una stringa l'obiettivo è raggiunto,ossia posso usare le Regex per fare qualsiasi tipo di ricerca...