Безплатен C# .NET API за извличане и анализ на текст от PDF

Започване с PdfPig

Библиотеката PdfPig е достъпна като NuGet пакет. Затова се препоръчва силно да използвате NuGet за инсталиране на PdfPig във вашия проект. Моля, използвайте следната команда за успешно инсталиране.

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

Извличане на текст от PDF документи чрез .NET

Един от най-често срещаните случаи на използване на PdfPig е извличането на чист текст от PDF документи. Софтуерните разработчици могат да отворят PDF и да четат текста страница по страница или да извлекат цялото съдържание. Това е особено полезно за индексиране за търсене, сканиране на ключови думи и анализ на съдържание. Ето прост пример, който демонстрира как софтуерните разработчици могат да извличат текст от PDF документи в C# .NET приложения. Първо се отваря PDF файлът и се итерира през всички страници, след което се чете извлеченият текстов съдържание.

using UglyToad.PdfPig;

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

Интерактивни форми и извличане на вградени файлове

Отвореният код на библиотеката PdfPig нативно поддържа извличането на интерактивни Acrobat форми (AcroForms) и четенето на файлове, скрити в PDF прикачени файлове. Тя позволява на разработчиците да проверяват дефинициите на формите глобално, да итерират през типизираните интерактивни елементи на формите (като отметки, текстови полета или бутони), и да достъпват основните необработени байтови данни на файловете, вградени в анотациите на документа, за безпроблемна системна съвместимост.

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
                }
            }
        }
    }
}

Безпроблемно комбиниране на множество PDF файлове чрез C#

Освен извличането на съдържание, PdfPig предлага прости инструменти за управление на документи. Чрез използване на класа PdfMerger, разработчиците могат да обединят отделни независими PDF структури в единен изходен масив от байтове на файл. Това предоставя ефективен начин за конкатениране на програмни отчети, фактури или документи с клиентски извлечения, без да се добавят тежки външни зависимости към вашия .NET процес. Следният пример демонстрира как потребителите могат да комбинират множество PDF документи в .NET приложения.

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);
    }
}

Четене на PDF метаданни, форми и анотации

Освен извличането на текст, отвореният код на библиотеката PdfPig включва функции, които разкриват метаданни на документа (заглавие, автор, производител), интерактивни полета за формуляри, хипервръзки и отметки. Това е безценно за системи за класификация на документи, автоматизирана обработка на формуляри и индексиране на съдържание, където се нуждаете както от съдържание, така и от контекст.