1. Produkter
  2.   PDF
  3.   .NET
  4.   PdfPig
 
  

Gratis C# .NET API til PDF-tekstudtrækning og analyse

Et førende open source .NET-bibliotek til nem udtrækning af tekst, billeder, metadata og PDF-strukturinformation fra PDF-filer. Tilføj nye sider, tabeller, tekst og former til PDF'er.

Hvad er PdfPig-biblioteket?

PdfPig er et open-source .NET-bibliotek designet til at læse, parse og udtrække indhold fra PDF-filer i C#. Det er udviklet som en port af Apache PDFBox til .NET-økosystemet og er bredt anvendt til PDF-tekstudtræk, dokumentanalyse og lavniveau PDF-behandling. Det understøtter .NET Standard og flere .NET-versioner, hvilket gør det meget fleksibelt for moderne udviklingsmiljøer. Biblioteket er meget nyttigt til dokumentindeksering, søgemaskiner, AI/ML-dokumentforbehandling, OCR-efterbehandling, fakturaautomatisering, PDF-tilgængelighedsværktøjer og dataudtrækningssystemer.

PDF-filer er overalt—kontrakter, rapporter, fakturaer, e-bøger, kontoudtog, forskningsartikler og formularer. Det er ofte svært at udtrække struktureret information fra PDF'er, fordi PDF primært er et præsentationsformat, ikke et semantisk dokumentformat. PdfPig forenkler dette problem ved at give udviklere adgang til rå tekst og ord, tegnpositioner og afgrænsningsbokse, skrifttyper og stilinformation, billeder og metadata samt dokumentlayoutdetaljer. I modsætning til mange PDF-biblioteker, der hovedsageligt fokuserer på at generere PDF'er, er PdfPig specialiseret i at læse eksisterende PDF-dokumenter. Dette gør det til et fremragende valg for udviklere, der bygger søgemaskiner, OCR-pipelines, fakturaparsere, dokumentanalysatorer, compliance-værktøjer eller indholdsudtrækningssystemer.

Previous Next

Kom i gang med PdfPig

PdfPig-biblioteket er tilgængeligt som en NuGet-pakke. Det anbefales derfor kraftigt at bruge NuGet til at installere PdfPig i dit projekt. Brug venligst følgende kommando for en vellykket installation.

Installer PdfPig via NuGet-pakkehåndtering

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

Du kan også installere det manuelt; download de seneste udgivelsesfiler direkte fra GitHub arkivet.

Udtræk tekst fra PDF-dokumenter via .NET

En af PdfPigs mest almindelige anvendelser er at udtrække ren tekst fra PDF-dokumenter. Softwareudviklere kan åbne en PDF og læse tekst side for side eller udtrække hele indholdet. Dette er især nyttigt til søgeindeksering, søgeords-scanning og indholdsanalyse. Her er et enkelt eksempel, der demonstrerer, hvordan softwareudviklere kan udtrække tekst fra PDF-dokumenter i C# .NET-applikationer. Først åbnes PDF-filen, og den itererer gennem alle sider, hvorefter den læser den udtrukne tekstindhold.

Hvordan udtrækker man tekst fra PDF-dokumenter via C#-API?

using UglyToad.PdfPig;

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

Interaktive formularer & udtrækning af indlejrede filer

Denne open source PdfPig-bibliotek understøtter naturligt udtræk af interaktive Acrobat-formularer (AcroForms) og læsning af filer gemt i PDF-vedhæftninger. Det giver udviklere mulighed for at kontrollere formulardefinitioner globalt, iterere gennem typede interaktive formelementer (såsom afkrydsningsfelter, tekstfelter eller trykknapper) og få adgang til de underliggende rå byte-data for filer, der er indlejret i dokumentannotationer, for problemfri systeminteroperabilitet.

Hvordan udtrækker man interaktive formulardata via C# .NET-biblioteket?

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
                }
            }
        }
    }
}

Problemfri sammensmeltning af flere PDF-filer via C#

Udover indholdsudtræk tilbyder PdfPig enkle værktøjer til dokumenthåndtering. Ved at bruge PdfMerger-klassen kan udviklere konsolidere separate uafhængige PDF-strukturer til et enkelt, samlet output-array af filbytes. Dette giver en effektiv måde at sammenkæde programgenererede rapporter, fakturaer eller kundestatementsdokumenter på uden at tilføje tunge, eksterne afhængigheder til din .NET-pipeline. Det følgende eksempel viser, hvordan brugere kan kombinere flere PDF-dokumenter i .NET-applikationer.

Hvordan samler man flere PDF-filer i C# .NET-applikationer?

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);
    }
}

Læs PDF-metadata, formularer og annotationer

Udover tekstudtræk har det open source PdfPig-bibliotek inkluderet funktioner, der eksponerer dokumentmetadata (titel, forfatter, producent), interaktive formularfelter, hyperlinks og bogmærker. Dette er uvurderligt for dokumentklassificeringssystemer, automatiseret formularbehandling og indholdsindeksering, hvor du har brug for både indhold og kontekst.

 Dansk