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

Ingyenes C# .NET API PDF szövegkinyeréshez és elemzéshez

Vezető nyílt forráskódú .NET könyvtár a szöveg, képek, metaadatok és a PDF struktúrainformációk könnyű kinyeréséhez PDF fájlokból. Új oldalakat, táblázatokat, szöveget és alakzatokat adhat a PDF-ekhez.

Mi az a PdfPig könyvtár?

A PdfPig egy nyílt forráskódú .NET könyvtár, amely a PDF-fájlok C#-ban történő olvasására, elemzésére és tartalomkinyerésére lett tervezve. Az Apache PDFBox .NET-re történő portjaként fejlesztették, és széles körben használják PDF-szöveg kinyerésére, dokumentumelemzésre és alacsony szintű PDF-feldolgozásra. Támogatja a .NET Standardot és több .NET verziót, így nagyon rugalmas a modern fejlesztői környezetekben. A könyvtár rendkívül hasznos dokumentumindexeléshez, keresőmotorokhoz, AI/ML dokumentum előfeldolgozáshoz, OCR utófeldolgozáshoz, számlázási automatizáláshoz, PDF hozzáférhetőségi eszközökhöz és adatkinyerési rendszerekhez.

PDF fájlok mindenhol megtalálhatók – szerződések, jelentések, számlák, e-könyvek, bankszámlakivonatok, kutatási dolgozatok és űrlapok. Strukturált információk kinyerése a PDF-ekből gyakran nehéz, mivel a PDF elsősorban egy megjelenítési formátum, nem pedig szemantikus dokumentumformátum. A PdfPig leegyszerűsíti ezt a problémát, mivel a fejlesztők hozzáférhetnek a nyers szöveghez és szavakhoz, a karakterek pozícióihoz és határoló dobozaihoz, a betűtípusokhoz és stílusinformációkhoz, a képekhez és metaadatokhoz, valamint a dokumentum elrendezésének részleteihez. A sok PDF könyvtárral ellentétben, amelyek főként a PDF-ek generálására fókuszálnak, a PdfPig az existing PDF dokumentumok olvasására specializálódott. Ez kiváló választássá teszi a fejlesztők számára, akik keresőmotorokat, OCR csővezetékeket, számlaparsereket, dokumentumelemzőket, megfelelőségi eszközöket vagy tartalomkinyerő rendszereket építenek.

Previous Next

A PdfPig használatának megkezdése

A PdfPig könyvtár nuget csomagként érhető el. Ezért erősen ajánlott a NuGet használata a PdfPig projektbe telepítéséhez. Kérjük, használja a következő parancsot a sikeres telepítéshez.

PdfPig telepítése a NuGet csomagkezelőn keresztül

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

Telepítheted manuálisan is; töltsd le a legújabb kiadási fájlokat közvetlenül a GitHub tárolóból.

.NET segítségével szöveg kinyerése PDF dokumentumokból

Az egyik leggyakoribb felhasználási eset a PdfPig esetében a sima szöveg kinyerése PDF dokumentumokból. A szoftverfejlesztők megnyithatnak egy PDF-et, és oldalról oldalra olvashatják a szöveget, vagy kinyerhetik a teljes tartalmat. Ez különösen hasznos a keresőindexeléshez, kulcsszó-ellenőrzéshez és a tartalomelemzéshez. Itt egy egyszerű példa, amely bemutatja, hogyan tudnak a szoftverfejlesztők szöveget kinyerni PDF dokumentumokból C# .NET alkalmazásokon belül. Először megnyitja a PDF-fájlt, végigiterál az összes oldalon, majd elolvassa a kinyert szövegtartalmat.

Hogyan nyerjünk ki szöveget PDF dokumentumokból C# API-val?

using UglyToad.PdfPig;

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

Interaktív űrlapok és beágyazott fájlok kinyerése

Az nyílt forráskódú PdfPig könyvtár natívan támogatja az interaktív Acrobat űrlapok (AcroForms) kinyerését és a PDF-mellékletekben rejtett fájlok olvasását. Lehetővé teszi a fejlesztők számára, hogy globálisan ellenőrizzék az űrlapdefiníciókat, végigiteráljanak a típusos interaktív űrlapelemek (például jelölőnégyzetek, szövegmezők vagy gombok) között, és hozzáférjenek a dokumentum annotációkba beágyazott fájlok alap nyers bájtadataihoz a zökkenőmentes rendszerinteroperabilitás érdekében.

Hogyan lehet kinyerni az interaktív űrlapadatokat C# .NET könyvtár segítségével?

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
                }
            }
        }
    }
}

Zökkenőmentes több fájlból álló PDF egyesítés C#-val

A tartalomkinyerésen túl a PdfPig egyszerű dokumentumkezelő segédprogramokat kínál. A PdfMerger osztály használatával a fejlesztők különálló, független PDF struktúrákat egyetlen, egységes fájlbájt tömbbe egyesíthetnek. Ez hatékony módja a programozott jelentések, számlák vagy ügyfélkimutatások összefűzésének anélkül, hogy nehézkes, külső függőségeket adnánk a .NET csővezetékhez. Az alábbi példa bemutatja, hogyan kombinálhatják a felhasználók több PDF dokumentumot .NET alkalmazásokban.

Hogyan lehet több PDF-fájlt egyesíteni C# .NET alkalmazásokban?

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 metaadatok, űrlapok és megjegyzések olvasása

A szövegkinyerésen túl a nyílt forráskódú PdfPig könyvtár olyan funkciókat tartalmaz, amelyek a dokumentum metaadatait (cím, szerző, előállító), interaktív űrlapmezőket, hiperhivatkozásokat és könyvjelzőket teszik elérhetővé. Ez felbecsülhetetlen értékű dokumentumosztályozó rendszerek, automatizált űrlapfeldolgozás és tartalomindexelés számára, ahol a tartalomra és a kontextusra egyaránt szükség van.

 Magyar