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

Ilmainen C# .NET -rajapinta PDF-tekstin poimintaan ja analysointiin

Johtava avoimen lähdekoodin .NET -kirjasto tekstin, kuvien, metatietojen ja PDF-rakennetietojen poimimiseen PDF-tiedostoista vaivattomasti. Lisää uusia sivuja, taulukoita, tekstiä ja muotoja PDF-tiedostoihin.

Mikä on PdfPig-kirjasto?

PdfPig on avoimen lähdekoodin .NET-kirjasto, joka on suunniteltu PDF-tiedostojen lukemiseen, jäsentämiseen ja sisällön poimimiseen C#:ssa. Se on kehitetty Apache PDFBoxin porttina .NET-ekosysteemiin, ja sitä käytetään laajasti PDF-tekstin poimintaan, asiakirja-analyysiin ja matalan tason PDF-käsittelyyn. Se tukee .NET Standardia ja useita .NET-versioita, mikä tekee siitä erittäin joustavan nykyaikaisissa kehitysympäristöissä. Kirjasto on erittäin hyödyllinen asiakirjojen indeksointiin, hakukoneisiin, AI/ML-asiakirjojen esikäsittelyyn, OCR:n jälkikäsittelyyn, laskujen automaatioon, PDF-saavutettavuustyökaluihin ja tietojen poimintajärjestelmiin.

PDF-tiedostot ovat kaikkialla—sopimuksia, raportteja, laskuja, e-kirjoja, pankkitiliotteita, tutkimuspapereita ja lomakkeita. Rakennetun tiedon poimiminen PDF:stä on usein vaikeaa, koska PDF on ensisijaisesti esitysmuoto, ei semanttinen asiakirjamuoto. PdfPig yksinkertaistaa tätä ongelmaa antamalla kehittäjille pääsyn raakatekstiin ja sanoihin, merkkien sijainteihin ja rajaaviin laatikoihin, fontteihin ja tyylitietoihin, kuviin ja metatietoihin sekä asiakirjan asettelutietoihin. Toisin kuin monet PDF-kirjastot, jotka keskittyvät pääasiassa PDF:ien luomiseen, PdfPig on erikoistunut olemassa olevien PDF-asiakirjojen lukemiseen. Tämä tekee siitä erinomaisen valinnan kehittäjille, jotka rakentavat hakukoneita, OCR-putkia, laskujen jäsentäjiä, asiakirja-analyytikoita, vaatimustenmukaisuustyökaluja tai sisällön poimintajärjestelmiä.

Previous Next

Aloittaminen PdfPigin kanssa

PdfPig-kirjasto on saatavilla NuGet-pakettina. Siksi on erittäin suositeltavaa käyttää NuGetia PdfPigin asentamiseen projektiisi. Käytä seuraavaa komentoa onnistuneeseen asennukseen.

Asenna PdfPig NuGet-paketinhallinnan kautta

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

Voit myös asentaa sen manuaalisesti; lataa uusimmat julkaisutiedostot suoraan GitHub-varastosta.

Tekstin poiminta PDF-dokumenteista .NETin avulla

Yksi PdfPig:n yleisimmistä käyttötapauksista on tavallisen tekstin poimiminen PDF-asiakirjoista. Ohjelmistokehittäjät voivat avata PDF:n ja lukea tekstiä sivu kerrallaan tai poimia koko sisällön. Tämä on erityisen hyödyllistä hakuindeksointiin, avainsanojen skannaamiseen ja sisällön analysointiin. Tässä on yksinkertainen esimerkki, joka osoittaa, miten ohjelmistokehittäjät voivat poimia tekstiä PDF-asiakirjoista C# .NET -sovelluksissa. Ensin se avaa PDF-tiedoston ja käy läpi kaikki sivut, jonka jälkeen se lukee poimitun tekstisisällön.

Kuinka poimia teksti PDF-dokumenteista C#-API:n avulla?

using UglyToad.PdfPig;

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

Vuorovaikutteiset lomakkeet ja upotettujen tiedostojen poiminta

Avoimen lähdekoodin PdfPig-kirjasto tukee natiivisti interaktiivisten Acrobat-lomakkeiden (AcroForms) poimintaa ja PDF-liitteiden sisällä piilotettujen tiedostojen lukemista. Se mahdollistaa kehittäjille lomitemääritelmien tarkistamisen globaalisti, läpikäymisen tyypitettyjen interaktiivisten lomake-elementtien (kuten valintaruudut, tekstikentät tai painikkeet) läpi, sekä pääsyn asiakirjan merkintöihin upotettujen tiedostojen taustalla olevaan raakabittidataan saumattoman järjestelmäyhteensopivuuden takaamiseksi.

Kuinka poimia interaktiivisen lomakkeen tiedot C# .NET -kirjaston avulla?

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
                }
            }
        }
    }
}

Saumaton monitiedostoinen PDF-yhdistäminen C#:n avulla

Sisällön poiminnan lisäksi PdfPig tarjoaa yksinkertaisia asiakirjojen hallintatyökaluja. Käyttämällä PdfMerger-luokkaa kehittäjät voivat yhdistää erilliset itsenäiset PDF-rakenteet yhdeksi yhtenäiseksi tiedostobittitaulukoksi. Tämä tarjoaa tehokkaan tavan liittää yhteen ohjelmallisia raportteja, laskuja tai asiakaslausuntoja ilman, että .NET-putkistoon lisätään kömpelöitä ulkoisia riippuvuuksia. Seuraava esimerkki osoittaa, miten käyttäjät voivat yhdistää useita PDF-asiakirjoja .NET-sovelluksissa.

Kuinka yhdistää useita PDF-tiedostoja C# .NET -sovelluksissa?

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-metatietojen, lomakkeiden ja merkintöjen lukeminen

Tekstin poiminnan lisäksi avoimen lähdekoodin PdfPig-kirjasto sisältää ominaisuuksia, jotka paljastavat asiakirjan metatiedot (otsikko, tekijä, tuottaja), interaktiiviset lomakekentät, hyperlinkit ja kirjanmerkit. Tämä on korvaamatonta asiakirjojen luokittelujärjestelmissä, automatisoidussa lomakekäsittelyssä ja sisällön indeksoinnissa, joissa tarvitaan sekä sisältöä että kontekstia.

 Suomen