Nemokama C# .NET API PDF teksto išgavimui ir analizei

Pradžia su PdfPig

PdfPig biblioteka yra prieinama kaip NuGet paketas. Todėl labai rekomenduojama naudoti NuGet, kad įdiegtumėte PdfPig į savo projektą. Norėdami sėkmingai įdiegti, naudokite šią komandą.

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

Išgauti tekstą iš PDF dokumentų naudojant .NET

Viena iš dažniausiai pasitaikančių PdfPig naudojimo atvejų yra paprasto teksto ištrauka iš PDF dokumentų. Programinės įrangos kūrėjai gali atverti PDF ir skaityti tekstą puslapis po puslapio arba išgauti visą turinį. Tai ypač naudinga paieškos indeksavimui, raktinių žodžių skenavimui ir turinio analizei. Štai paprastas pavyzdys, kuris demonstruoja, kaip programinės įrangos kūrėjai gali išgauti tekstą iš PDF dokumentų C# .NET programose. Pirma, jis atveria PDF failą ir pereina per visus puslapius, po to perskaito išgautą teksto turinį.

using UglyToad.PdfPig;

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

Interaktyvios formos ir įterptų failų išgavimas

Atviro kodo PdfPig biblioteka natūraliai palaiko interaktyvių Acrobat formų (AcroForms) ištrauką ir failų, paslėptų PDF prieduose, skaitymą. Ji leidžia kūrėjams globaliai tikrinti formų apibrėžimus, pereiti per tipizuotus interaktyvius formų elementus (pvz., žymėjimo laukelius, teksto laukus arba mygtukus) ir prieiti prie pagrindinių neapdorotų baitų duomenų, įterptų į dokumento anotacijas, siekiant sklandžios sistemos tarpusavio veikimo.

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
                }
            }
        }
    }
}

Sklandus kelių PDF failų sujungimas naudojant C#

Be turinio išskyrimo, PdfPig siūlo paprastus dokumentų valdymo įrankius. Naudojant PdfMerger klasę, kūrėjai gali sujungti atskiras nepriklausomas PDF struktūras į vieną, vieningą išvesties baitų masyvą. Tai suteikia efektyvų būdą sujungti programiškai generuojamus ataskaitas, sąskaitas faktūras ar klientų išrašų dokumentus, nepridėdami didelių išorinių priklausomybių į jūsų .NET konvejerį. Žemiau pateiktas pavyzdys demonstruoja, kaip vartotojai gali sujungti kelis PDF dokumentus .NET programose.

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);
    }
}

Skaityti PDF metaduomenis, formas ir anotacijas

Be teksto išskyrimo, atviro kodo PdfPig biblioteka įtraukė funkcijas, kurios atskleidžia dokumentų metaduomenis (pavadinimą, autorių, gamintoją), interaktyvius formų laukus, hipersaitus ir žymeles. Tai yra neįkainojama dokumentų klasifikavimo sistemoms, automatizuotam formų apdorojimui ir turinio indeksavimui, kai reikia tiek turinio, tiek konteksto.