Kostenlose C# .NET API für PDF-Text-Extraktion und -Analyse

Erste Schritte mit PdfPig

Die PdfPig-Bibliothek ist als NuGet-Paket verfügbar. Daher wird dringend empfohlen, NuGet zu verwenden, um PdfPig in Ihr Projekt zu installieren. Bitte verwenden Sie den folgenden Befehl für eine erfolgreiche Installation.

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

Text aus PDF-Dokumenten über .NET extrahieren

Einer der häufigsten Anwendungsfälle von PdfPig ist das Extrahieren von Klartext aus PDF-Dokumenten. Softwareentwickler können ein PDF öffnen und den Text Seite für Seite lesen oder den gesamten Inhalt extrahieren. Dies ist besonders nützlich für die Suchindizierung, das Scannen von Schlüsselwörtern und die Inhaltsanalyse. Hier ist ein einfaches Beispiel, das zeigt, wie Softwareentwickler Text aus PDF-Dokumenten in C# .NET-Anwendungen extrahieren können. Zuerst wird die PDF-Datei geöffnet und durch alle Seiten iteriert, danach wird der extrahierte Textinhalt gelesen.

using UglyToad.PdfPig;

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

Interaktive Formulare & Extraktion eingebetteter Dateien

Die Open-Source-Bibliothek PdfPig unterstützt nativ das Extrahieren interaktiver Acrobat-Formulare (AcroForms) und das Lesen von in PDF-Anhängen versteckten Dateien. Sie ermöglicht Entwicklern, Formulardefinitionen global zu prüfen, durch typisierte interaktive Formularelemente (wie Kontrollkästchen, Textfelder oder Schaltflächen) zu iterieren und auf die zugrunde liegenden rohen Byte-Daten von in Dokumenten-Annotationen eingebetteten Dateien zuzugreifen, um eine nahtlose System-Interoperabilität zu gewährleisten.

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
                }
            }
        }
    }
}

Nahtloses Zusammenführen mehrerer PDF-Dateien über C#

Über die reine Inhaltsextraktion hinaus bietet PdfPig einfache Dokumentenverwaltungs‑Utilities. Durch die Nutzung der PdfMerger‑Klasse können Entwickler separate, unabhängige PDF‑Strukturen zu einem einzigen, einheitlichen Ausgabearray von Dateibytes zusammenführen. Dies ermöglicht ein effektives Zusammenfügen von programmatisch erzeugten Berichten, Rechnungen oder Kundenauszügen, ohne sperrige externe Abhängigkeiten in Ihre .NET‑Pipeline einzufügen. Das folgende Beispiel zeigt, wie Benutzer mehrere PDF‑Dokumente in .NET‑Anwendungen kombinieren können.

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-Metadaten, Formulare und Anmerkungen lesen

Über die Textextraktion hinaus enthält die Open‑Source‑Bibliothek PdfPig Funktionen, die Dokumenten‑Metadaten (Titel, Autor, Ersteller), interaktive Formularfelder, Hyperlinks und Lesezeichen bereitstellen. Das ist für Dokumentenklassifizierungssysteme, automatisierte Formularverarbeitung und Inhaltsindizierung, bei denen sowohl Inhalt als auch Kontext benötigt werden, von unschätzbarem Wert.