Zdarma C# .NET API pro extrakci a analýzu textu z PDF

Začínáme s PdfPig

Knihovna PdfPig je k dispozici jako balíček NuGet. Proto se důrazně doporučuje použít NuGet k instalaci PdfPig do vašeho projektu. Použijte prosím následující příkaz pro úspěšnou instalaci.

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

Extrahovat text z PDF dokumentů pomocí .NET

Jedním z nejčastějších použití PdfPig je extrahování prostého textu z PDF dokumentů. Vývojáři softwaru mohou otevřít PDF a číst text stránku po stránce nebo extrahovat celý obsah. To je zvláště užitečné pro indexování vyhledávání, skenování klíčových slov a analýzu obsahu. Zde je jednoduchý příklad, který ukazuje, jak mohou vývojáři softwaru extrahovat text z PDF dokumentů v aplikacích C# .NET. Nejprve otevře PDF soubor a iteruje přes všechny stránky, poté přečte extrahovaný textový obsah.

using UglyToad.PdfPig;

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

Interaktivní formuláře a extrakce vložených souborů

Open source knihovna PdfPig nativně podporuje extrahování interaktivních Acrobat formulářů (AcroForms) a čtení souborů skrytých v PDF přílohách. Umožňuje vývojářům globálně kontrolovat definice formulářů, iterovat přes typované interaktivní prvky formulářů (jako jsou zaškrtávací políčka, textová pole nebo tlačítka) a přistupovat k podkladovým surovým bajtovým datům souborů vložených do anotací dokumentu pro bezproblémovou interoperabilitu systémů.

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
                }
            }
        }
    }
}

Bezproblémové slučování více PDF souborů pomocí C#

Kromě extrakce obsahu nabízí PdfPig jednoduché nástroje pro správu dokumentů. Využitím třídy PdfMerger mohou vývojáři sloučit samostatné nezávislé PDF struktury do jediné, jednotné výstupní pole bajtů souboru. To poskytuje efektivní způsob, jak spojovat programové zprávy, faktury nebo dokumenty výpisů klientů, aniž byste do svého .NET pipeline přidávali objemné externí závislosti. Následující příklad ukazuje, jak uživatelé mohou kombinovat více PDF dokumentů v .NET aplikacích.

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);
    }
}

Číst metadata PDF, formuláře a anotace

Kromě extrakce textu obsahuje open source knihovna PdfPig funkce, které zpřístupňují metadata dokumentu (název, autor, producent), interaktivní formulářová pole, hypertextové odkazy a záložky. To je neocenitelné pro systémy klasifikace dokumentů, automatizované zpracování formulářů a indexování obsahu, kde potřebujete jak obsah, tak kontext.