Δωρεάν C# .NET API για Εξαγωγή Κειμένου PDF και Ανάλυση

Ξεκινώντας με το PdfPig

Η βιβλιοθήκη PdfPig είναι διαθέσιμη ως πακέτο NuGet. Συνεπώς συνιστάται έντονα η χρήση του NuGet για την εγκατάσταση του PdfPig στο έργο σας. Παρακαλώ χρησιμοποιήστε την παρακάτω εντολή για επιτυχή εγκατάσταση.

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

Εξαγωγή κειμένου από έγγραφα PDF μέσω .NET

Μία από τις πιο συνηθισμένες χρήσεις του PdfPig είναι η εξαγωγή απλού κειμένου από έγγραφα PDF. Οι προγραμματιστές λογισμικού μπορούν να ανοίξουν ένα PDF και να διαβάσουν το κείμενο σελίδα προς σελίδα ή να εξάγουν ολόκληρο το περιεχόμενο. Αυτό είναι ιδιαίτερα χρήσιμο για την ευρετηρίαση αναζητήσεων, την ανίχνευση λέξεων-κλειδιών και την ανάλυση περιεχομένου. Ακολουθεί ένα απλό παράδειγμα που δείχνει πώς οι προγραμματιστές λογισμικού μπορούν να εξάγουν κείμενο από έγγραφα PDF μέσα σε εφαρμογές C# .NET. Πρώτα ανοίγει το αρχείο PDF και επαναλαμβάνει όλες τις σελίδες, μετά διαβάζει το εξαγόμενο κείμενο.

using UglyToad.PdfPig;

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

Διαδραστικές φόρμες & εξαγωγή ενσωματωμένων αρχείων

Η ανοιχτού κώδικα βιβλιοθήκη PdfPig υποστηρίζει εγγενώς την εξαγωγή διαδραστικών φορμών Acrobat (AcroForms) και την ανάγνωση αρχείων που κρύβονται μέσα σε συνημμένα PDF. Επιτρέπει στους προγραμματιστές να ελέγχουν τις ορισμούς φορμών παγκοσμίως, να επαναλαμβάνουν τα τυποποιημένα διαδραστικά στοιχεία φόρμας (όπως πλαίσια ελέγχου, πεδία κειμένου ή κουμπιά), και να έχουν πρόσβαση στα υποκείμενα ακατέργαστα δεδομένα byte των αρχείων που ενσωματώνονται μέσα σε σημειώσεις του εγγράφου για απρόσκοπτη διαλειτουργικότητα του συστήματος.

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
                }
            }
        }
    }
}

Απρόσκοπτη συγχώνευση πολλαπλών αρχείων PDF μέσω C#

Πέρα από την εξαγωγή περιεχομένου, το PdfPig προσφέρει απλές λειτουργίες διαχείρισης εγγράφων. Χρησιμοποιώντας την κλάση PdfMerger, οι προγραμματιστές μπορούν να ενοποιήσουν ξεχωριστές ανεξάρτητες δομές PDF σε έναν ενιαίο, ενοποιημένο πίνακα εξόδου με bytes αρχείου. Αυτό παρέχει έναν αποτελεσματικό τρόπο για τη συνένωση προγραμματιστικών αναφορών, τιμολογίων ή εγγράφων καταστάσεων πελατών χωρίς την προσθήκη βαριών, εξωτερικών εξαρτήσεων στην .NET αλυσίδα σας. Το παρακάτω παράδειγμα δείχνει πώς οι χρήστες μπορούν να συνδυάσουν πολλαπλά έγγραφα PDF μέσα σε εφαρμογές .NET.

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);
    }
}

Ανάγνωση μεταδεδομένων PDF, φορμών και σχολίων

Πέρα από την εξαγωγή κειμένου, η ανοιχτού κώδικα βιβλιοθήκη PdfPig περιλαμβάνει λειτουργίες που εκθέτουν τα μεταδεδομένα του εγγράφου (τίτλος, συγγραφέας, παραγωγός), διαδραστικά πεδία φόρμας, υπερσυνδέσμους και σελιδοδείκτες. Αυτό είναι ανεκτίμητο για συστήματα ταξινόμησης εγγράφων, αυτοματοποιημένη επεξεργασία φορμών και ευρετηρίαση περιεχομένου όπου χρειάζεστε τόσο το περιεχόμενο όσο και το πλαίσιο.