API رایگان C# .NET برای استخراج متن PDF و تجزیه و تحلیل

شروع کار با PdfPig

کتابخانه PdfPig به صورت بسته NuGet در دسترس است. بنابراین به شدت توصیه می‌شود از NuGet برای نصب PdfPig در پروژه خود استفاده کنید. لطفاً برای نصب موفقیت‌آمیز، فرمان زیر را به کار ببرید.

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

استخراج متن از اسناد PDF با استفاده از .NET

یکی از رایج‌ترین موارد استفاده از PdfPig استخراج متن ساده از اسناد PDF است. توسعه‌دهندگان نرم‌افزار می‌توانند یک PDF را باز کرده و متن را صفحه به صفحه بخوانند یا کل محتوا را استخراج کنند. این به‌ویژه برای ایندکس‌گذاری جستجو، اسکن کلیدواژه‌ها و تحلیل محتوا مفید است. در اینجا یک مثال ساده آورده شده است که نشان می‌دهد چگونه توسعه‌دهندگان نرم‌افزار می‌توانند متن را از اسناد PDF در برنامه‌های C# .NET استخراج کنند. ابتدا فایل PDF را باز می‌کند و از طریق تمام صفحات تکرار می‌شود، سپس محتوای متن استخراج‌شده را می‌خواند.

using UglyToad.PdfPig;

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

فرم‌های تعاملی و استخراج فایل‌های جاسازی‌شده

کتابخانه متن‌باز PdfPig به‌صورت بومی از استخراج فرم‌های تعاملی Acrobat (AcroForms) و خواندن فایل‌های مخفی در پیوست‌های PDF پشتیبانی می‌کند. این امکان را به توسعه‌دهندگان می‌دهد تا تعریف‌های فرم را به‌صورت سراسری بررسی کنند، از طریق عناصر فرم تعاملی تایپ‌شده (مانند چک‌باکس‌ها، فیلدهای متنی یا دکمه‌های فشاردهی) تکرار کنند و به داده‌های بایت خام زیرین فایل‌های جاسازی‌شده در حاشیه‌نویسی‌های سند دسترسی پیدا کنند تا یکپارچگی سیستم به‌صورت بی‌وقفه فراهم شود.

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
                }
            }
        }
    }
}

ادغام چندفایلی PDF به‌صورت یکپارچه با C#

فراتر از استخراج محتوا، PdfPig ابزارهای مدیریت سند ساده‌ای را ارائه می‌دهد. با استفاده از کلاس PdfMerger، توسعه‌دهندگان می‌توانند ساختارهای PDF مستقل جداگانه را در یک آرایه خروجی یکپارچه از بایت‌های فایل ترکیب کنند. این روش راهی مؤثر برای الحاق گزارش‌های برنامه‌نویسی، فاکتورها یا اسناد صورت‌حساب مشتریان بدون افزودن وابستگی‌های سنگین و خارجی به خط لوله .NET شما فراهم می‌کند. مثال زیر نشان می‌دهد که چگونه کاربران می‌توانند چندین سند PDF را در برنامه‌های .NET ترکیب کنند.

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);
    }
}

خواندن متادیتا، فرم‌ها و حاشیه‌نویسی‌های PDF

فراتر از استخراج متن، کتابخانه متن‌باز PdfPig ویژگی‌هایی را شامل می‌شود که متادیتای سند (عنوان، نویسنده، تولیدکننده)، فیلدهای فرم تعاملی، پیوندهای ابرمتنی و نشانک‌ها را نمایش می‌دهد. این برای سیستم‌های طبقه‌بندی سند، پردازش خودکار فرم‌ها و ایندکس‌گذاری محتوا که به هر دو محتوا و زمینه نیاز دارید، بی‌نهایت ارزشمند است.