PDF Mətninin Çıxarılması və Təhlili üçün Pulsuz C# .NET API

PdfPig ilə Başlamaq

PdfPig kitabxanası nuget paketi kimi mövcuddur. Buna görə PdfPig‑i layihənizə quraşdırmaq üçün NuGet‑dən istifadə etməniz şiddətlə tövsiyə olunur. Uğurlu quraşdırma üçün aşağıdakı əmri istifadə edin.

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

.NET vasitəsilə PDF Sənədlərindən Mətn Çıxarmaq

PdfPig‑in ən yaygın istifadə halları arasında PDF sənədlərindən sadə mətn çıxarmaq var. Proqram təminatı inkişaf etdiriciləri PDF‑i açıb mətnini səhifə‑səhifə oxuya və ya bütün məzmunu çıxara bilərlər. Bu, axtarış indeksləşdirməsi, açar söz skan edilməsi və məzmun təhlili üçün xüsusilə faydalıdır. Budur C# .NET tətbiqlərində proqramçılar PDF sənədlərindən mətn çıxara biləcəyini göstərən sadə bir nümunə. İlk öncə PDF faylını açır və bütün səhifələrdə dövr edir, sonra çıxarılan mətn məzmununu oxuyur.

using UglyToad.PdfPig;

using (var document = PdfDocument.Open("sample.pdf"))
{
    foreach (var page in document.GetPages())
    {
        string text = page.Text;
        Console.WriteLine(text);
    }
}

İnteraktiv Formlar və Daxili Fayl Çıxarılması

Açıq mənbəli PdfPig kitabxanası interaktiv Acrobat Formlarını (AcroForms) çıxarmağı və PDF əlavələrində gizli faylları oxumağı təbii olaraq dəstəkləyir. Bu, inkişaf etdiricilərə form təriflərini qlobal şəkildə yoxlamağa, tipli interaktiv forma elementləri (məsələn, işarələmə qutuları, mətn sahələri və ya düymələr) üzərində dövr etməyə və sənəd şərhlərinə daxil edilmiş faylların əsas xam bayt məlumatına çıxış imkanı verərək sistemlərarası problemsiz uyğunluğu təmin edir.

using System;
using System.Collections.Generic;
using UglyToad.PdfPig;
using UglyToad.PdfPig.AcroForms;

class Program
{
    static void ExtractInteractiveContent(string pdfPath)
    {
        using (PdfDocument document = PdfDocument.Open(pdfPath))
        {
            // Extracting Interactive Form Data
            if (document.TryGetForm(out AcroForm form))
            {
                foreach (var field in form.Fields)
                {
                    Console.WriteLine($"Form Field Name: {field.Information.Name} | Type: {field.Type}");
                }
            }

            // Extracting Embedded Documents/Attachments
            if (document.Advanced.TryGetEmbeddedFiles(out IReadOnlyList embeddedFiles))
            {
                foreach (var file in embeddedFiles)
                {
                    Console.WriteLine($"Found Attachment: {file.Name} ({file.Bytes.Count} bytes)");
                    // File.WriteAllBytes(file.Name, file.Bytes.ToArray()); // Save attachment locally
                }
            }
        }
    }
}

C# vasitəsilə Problemsiz Çoxsaylı Fayllı PDF Birləşdirmə

Məzmun çıxarışından əlavə, PdfPig sadə sənəd idarəetmə vasitələri təklif edir. PdfMerger sinifindən istifadə edərək, inkişafçılar ayrı-ayrı müstəqil PDF strukturlarını tək, vahid fayl baytları massivinə birləşdirə bilərlər. Bu, proqramlaşdırılmış hesabatları, fakturaları və ya müştəri bəyanat sənədlərini .NET boru kəmrinə ağır, xarici asılılıqlar əlavə etmədən birləşdirməyin effektiv yolunu təmin edir. Aşağıdakı nümunə, istifadəçilərin .NET tətbiqlərində bir neçə PDF sənədini necə birləşdirə biləcəyini göstərir.

using System.IO;
using UglyToad.PdfPig.Writer;

class Program
{
    static void MergeDocuments(string firstPdf, string secondPdf, string outputPdf)
    {
        // Consolidate files into a single continuous byte sequence
        byte[] mergedFileBytes = PdfMerger.Merge(firstPdf, secondPdf);
        
        // Output the combined file stream directly to disk
        File.WriteAllBytes(outputPdf, mergedFileBytes);
    }
}

PDF Metadatasını, Formları və Şərhləri Oxumaq

Mətn çıxarışından əlavə, açıq mənbəli PdfPig kitabxanası sənəd meta məlumatlarını (başlıq, müəllif, istehsalçı), interaktiv forma sahələrini, hiperlinkləri və nişanları göstərən xüsusiyyətləri daxil edib. Bu, həm məzmunu, həm də konteksti tələb edən sənəd təsnifat sistemləri, avtomatlaşdırılmış forma emalı və məzmun indeksləşdirmə üçün qiymətsizdir.