API C# .NET gratuite pour l'extraction et l'analyse de texte PDF

Premiers pas avec PdfPig

La bibliothèque PdfPig est disponible en tant que package NuGet. Il est donc fortement recommandé d'utiliser NuGet pour installer PdfPig dans votre projet. Veuillez utiliser la commande suivante pour une installation réussie.

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

Extraire du texte des documents PDF via .NET

Un des cas d'utilisation les plus courants de PdfPig consiste à extraire le texte brut des documents PDF. Les développeurs peuvent ouvrir un PDF et lire le texte page par page ou extraire l'intégralité du contenu. Cela est particulièrement utile pour l'indexation de recherche, le balayage de mots‑clés et l'analyse de contenu. Voici un exemple simple qui montre comment les développeurs peuvent extraire du texte de documents PDF dans des applications C# .NET. Tout d'abord, il ouvre le fichier PDF et parcourt toutes les pages, puis lit le contenu texte extrait.

using UglyToad.PdfPig;

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

Formulaires interactifs et extraction de fichiers intégrés

La bibliothèque open source PdfPig prend en charge nativement l'extraction des formulaires Acrobat interactifs (AcroForms) ainsi que la lecture des fichiers cachés dans les pièces jointes PDF. Elle permet aux développeurs de vérifier les définitions de formulaires globalement, de parcourir les éléments de formulaire interactifs typés (tels que les cases à cocher, les champs de texte ou les boutons poussoirs), et d'accéder aux données brutes sous‑jacent des fichiers incorporés dans les annotations du document pour une interopérabilité système fluide.

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
                }
            }
        }
    }
}

Fusion transparente de plusieurs fichiers PDF via C#

Au-delà de l'extraction de contenu, PdfPig propose des utilitaires de gestion de documents simples. En utilisant la classe PdfMerger, les développeurs peuvent consolider des structures PDF séparées et indépendantes en un seul tableau d'octets de sortie unifié. Cela offre un moyen efficace de concaténer des rapports programmatiques, des factures ou des documents d'état client sans ajouter de dépendances externes lourdes à votre pipeline .NET. L'exemple suivant montre comment les utilisateurs peuvent combiner plusieurs documents PDF dans des applications .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);
    }
}

Lire les métadonnées PDF, les formulaires et les annotations

Au-delà de l'extraction de texte, la bibliothèque open source PdfPig inclut des fonctionnalités qui exposent les métadonnées du document (titre, auteur, producteur), les champs de formulaire interactifs, les hyperliens et les signets. Cela est inestimable pour les systèmes de classification de documents, le traitement automatisé des formulaires et l'indexation de contenu où vous avez besoin à la fois du contenu et du contexte.