API C# .NET gratuita per l'Estrazione e l'Analisi del Testo PDF

Iniziare con PdfPig

La libreria PdfPig è disponibile come pacchetto NuGet. È quindi altamente consigliato utilizzare NuGet per installare PdfPig nel tuo progetto. Per favore usa il comando seguente per un'installazione riuscita.

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

Estrarre testo da documenti PDF tramite .NET

Uno dei casi d'uso più comuni di PdfPig è l'estrazione di testo semplice dai documenti PDF. Gli sviluppatori software possono aprire un PDF e leggere il testo pagina per pagina o estrarre l'intero contenuto. Questo è particolarmente utile per l'indicizzazione di ricerca, la scansione di parole chiave e l'analisi dei contenuti. Ecco un semplice esempio che dimostra come gli sviluppatori software possano estrarre testo dai documenti PDF all'interno di applicazioni C# .NET. Prima apre il file PDF e itera attraverso tutte le pagine, poi legge il contenuto di testo estratto.

using UglyToad.PdfPig;

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

Moduli interattivi e estrazione di file incorporati

La libreria open source PdfPig supporta nativamente l'estrazione di moduli interattivi Acrobat (AcroForms) e la lettura di file nascosti all'interno degli allegati PDF. Consente agli sviluppatori di verificare le definizioni dei moduli a livello globale, iterare attraverso gli elementi interattivi tipizzati del modulo (come caselle di controllo, campi di testo o pulsanti), e accedere ai dati grezzi dei byte dei file incorporati nelle annotazioni del documento per un'interoperabilità di sistema senza soluzione di continuità.

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
                }
            }
        }
    }
}

Unione fluida di PDF multi-file tramite C#

Oltre all'estrazione del contenuto, PdfPig offre utility di gestione documenti semplici. Utilizzando la classe PdfMerger, gli sviluppatori possono consolidare strutture PDF separate e indipendenti in un unico array di byte di output unificato. Questo fornisce un modo efficace per concatenare report programmati, fatture o documenti di estratti conto dei clienti senza aggiungere dipendenze esterne ingombranti al tuo pipeline .NET. L'esempio seguente dimostra come gli utenti possano combinare più documenti PDF all'interno di applicazioni .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);
    }
}

Leggere i metadati PDF, i moduli e le annotazioni

Oltre all'estrazione del testo, la libreria open source PdfPig ha incluso funzionalità che espongono i metadati del documento (titolo, autore, produttore), campi di modulo interattivi, collegamenti ipertestuali e segnalibri. Questo è inestimabile per i sistemi di classificazione dei documenti, l'elaborazione automatica dei moduli e l'indicizzazione dei contenuti dove sono necessari sia il contenuto sia il contesto.