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

API C# .NET Gratis untuk Ekstraksi dan Analisis Teks PDF

Perpustakaan .NET Open Source Terdepan untuk Mengekstrak Teks, Gambar, Metadata, dan Informasi Struktur PDF dari File PDF dengan mudah. Tambahkan Halaman, Tabel, Teks, dan Bentuk baru ke PDF.

Apa itu Library PdfPig?

PdfPig adalah perpustakaan .NET sumber terbuka yang dirancang untuk membaca, mengurai, dan mengekstrak konten dari file PDF dalam C#. Ini dikembangkan sebagai port dari Apache PDFBox untuk ekosistem .NET dan banyak digunakan untuk ekstraksi teks PDF, analisis dokumen, serta pemrosesan PDF tingkat rendah. Ia mendukung .NET Standard dan berbagai versi .NET, menjadikannya sangat fleksibel untuk lingkungan pengembangan modern. Perpustakaan ini sangat berguna untuk pengindeksan dokumen, mesin pencari, pra-pemrosesan dokumen AI/ML, pasca-pemrosesan OCR, otomatisasi faktur, alat aksesibilitas PDF, dan sistem ekstraksi data.

File PDF ada di mana-mana—kontrak, laporan, faktur, eBook, laporan bank, makalah penelitian, dan formulir. Mengekstrak informasi terstruktur dari PDF sering sulit karena PDF pada dasarnya adalah format presentasi, bukan format dokumen semantik. PdfPig menyederhanakan masalah ini dengan memberi pengembang akses ke teks mentah dan kata-kata, posisi karakter dan kotak pembatas, font dan informasi gaya, gambar serta metadata, dan detail tata letak dokumen. Tidak seperti banyak perpustakaan PDF yang terutama fokus pada pembuatan PDF, PdfPig khusus untuk membaca dokumen PDF yang sudah ada. Ini menjadikannya pilihan yang sangat baik bagi pengembang yang membangun mesin pencari, alur kerja OCR, parser faktur, analis dokumen, alat kepatuhan, atau sistem ekstraksi konten.

Previous Next

Memulai dengan PdfPig

Pustaka PdfPig tersedia sebagai paket nuget. Jadi sangat disarankan menggunakan NuGet untuk menginstal PdfPig ke proyek Anda. Silakan gunakan perintah berikut untuk instalasi yang berhasil.

Instal PdfPig melalui NuGet Package Manager

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

Anda juga dapat menginstalnya secara manual; unduh file rilis terbaru langsung dari repositori GitHub.

Ekstrak Teks dari Dokumen PDF melalui .NET

Salah satu penggunaan paling umum PdfPig adalah mengekstrak teks polos dari dokumen PDF. Pengembang perangkat lunak dapat membuka PDF dan membaca teks halaman per halaman atau mengekstrak seluruh kontennya. Ini sangat berguna untuk pengindeksan pencarian, pemindaian kata kunci, dan analisis konten. Berikut adalah contoh sederhana yang menunjukkan bagaimana pengembang perangkat lunak dapat mengekstrak teks dari dokumen PDF dalam aplikasi C# .NET. Pertama, ia membuka file PDF dan mengiterasi semua halaman, kemudian membaca konten teks yang diekstrak.

Cara Mengekstrak Teks dari Dokumen PDF melalui API C#?

using UglyToad.PdfPig;

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

Formulir Interaktif & Ekstraksi File Tersemat

Pustaka open source PdfPig secara native mendukung ekstraksi Formulir Acrobat interaktif (AcroForms) dan pembacaan file yang tersembunyi dalam lampiran PDF. Ini memungkinkan pengembang untuk memeriksa definisi formulir secara global, mengiterasi elemen formulir interaktif yang bertipe (seperti kotak centang, bidang teks, atau tombol tekan), dan mengakses data byte mentah yang mendasari file yang disematkan di dalam anotasi dokumen untuk interoperabilitas sistem yang mulus.

Cara Mengekstrak Data Form Interaktif melalui Perpustakaan C# .NET?

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
                }
            }
        }
    }
}

Penggabungan PDF Multi-File Tanpa Hambatan melalui C#

Selain ekstraksi konten, PdfPig menawarkan utilitas manajemen dokumen yang sederhana. Dengan memanfaatkan kelas PdfMerger, pengembang dapat mengkonsolidasikan struktur PDF terpisah yang independen menjadi satu array byte file output yang terpadu. Ini memberikan cara efektif untuk menggabungkan laporan programatik, faktur, atau dokumen pernyataan klien tanpa menambahkan dependensi eksternal yang berat ke pipeline .NET Anda. Contoh berikut menunjukkan bagaimana pengguna dapat menggabungkan beberapa dokumen PDF di dalam aplikasi .NET.

Cara Menggabungkan Beberapa File PDF di dalam Aplikasi C# .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);
    }
}

Baca Metadata PDF, Formulir, dan Anotasi

Selain ekstraksi teks, perpustakaan open source PdfPig telah menyertakan fitur yang menampilkan metadata dokumen (judul, penulis, produsen), bidang formulir interaktif, tautan hiper, dan bookmark. Ini sangat berharga untuk sistem klasifikasi dokumen, pemrosesan formulir otomatis, dan pengindeksan konten di mana Anda membutuhkan baik konten maupun konteks.

 Indonesia