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

Bezmaksas C# .NET API PDF teksta izguvei un analīzei

Vadoša atvērtā koda .NET bibliotēka teksta, attēlu, metadatu un PDF struktūras informācijas izguvei no PDF failiem ar vieglumu. Pievienojiet jaunus lapas, tabulas, tekstu un formas PDF dokumentiem.

Kas ir PdfPig bibliotēka?

PdfPig ir atvērtā koda .NET bibliotēka, kas paredzēta PDF failu lasīšanai, parsēšanai un satura izguvei C#. Tā ir izstrādāta kā Apache PDFBox ports .NET ekosistēmai un plaši tiek izmantota PDF teksta izguvei, dokumentu analīzei un zemā līmeņa PDF apstrādei. Tā atbalsta .NET Standard un vairākas .NET versijas, padarot to ļoti elastīgu mūsdienīgām izstrādes vidēm. Bibliotēka ir ļoti noderīga dokumentu indeksēšanai, meklētājprogrammu, AI/ML dokumentu priekšapstrādei, OCR pēcapstrādei, rēķinu automatizācijai, PDF pieejamības rīkiem un datu izguves sistēmām.

PDF faili ir visur — līgumi, pārskati, rēķini, e-grāmatas, bankas izraksti, pētījumu raksti un veidlapas. Strukturētas informācijas izguve no PDF bieži ir sarežģīta, jo PDF galvenokārt ir prezentācijas formāts, nevis semantisks dokumenta formāts. PdfPig vienkāršo šo problēmu, nodrošinot izstrādātājiem piekļuvi neapstrādātam tekstam un vārdiem, rakstzīmju pozīcijām un robežkastiņām, fontiem un stila informācijai, attēliem, metadatiem un dokumenta izkārtojuma detaļām. Atšķirībā no daudzām PDF bibliotēkām, kas galvenokārt koncentrējas uz PDF ģenerēšanu, PdfPig ir specializēts esošu PDF dokumentu lasīšanā. Tas padara to par izcilu izvēli izstrādātājiem, kas veido meklētājprogrammas, OCR cauruļvadu, rēķinu parsētājus, dokumentu analizatorus, atbilstības rīkus vai satura izguves sistēmas.

Previous Next

Sākums ar PdfPig

PdfPig bibliotēka ir pieejama kā NuGet pakotne. Tāpēc ir ļoti ieteicams izmantot NuGet, lai instalētu PdfPig jūsu projektā. Lūdzu, izmantojiet šādu komandu, lai sekmīgi instalētu.

Instalējiet PdfPig, izmantojot NuGet pakotņu pārvaldnieku

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

Jūs varat arī instalēt to manuāli; lejupielādējiet jaunākos izlaiduma failus tieši no GitHub repozitorija.

Teksta izguve no PDF dokumentiem, izmantojot .NET

Viens no visbiežākajiem PdfPig lietošanas gadījumiem ir vienkārša teksta izguve no PDF dokumentiem. Programmatūras izstrādātāji var atvērt PDF un lasīt tekstu lapas pa lapai vai izvilkt visu saturu. Tas ir īpaši noderīgi meklēšanas indeksēšanai, atslēgvārdu skenēšanai un satura analīzei. Šeit ir vienkāršs piemērs, kas parāda, kā programmatūras izstrādātāji var izvilkt tekstu no PDF dokumentiem C# .NET lietojumprogrammās. Vispirms tas atver PDF failu un iterē cauri visām lapām, pēc tam lasa izguvēto teksta saturu.

Kā izvilkt tekstu no PDF dokumentiem, izmantojot C# API?

using UglyToad.PdfPig;

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

Interaktīvas formas un iegultu failu izguve

Atvērtā koda PdfPig bibliotēka iebūvēti atbalsta interaktīvu Acrobat formu (AcroForms) izguvi un failu lasīšanu, kas ir paslēpti PDF pielikumos. Tas ļauj izstrādātājiem globāli pārbaudīt formu definīcijas, iterēt cauri tipizētiem interaktīviem formu elementiem (piemēram, izvēles rūtiņām, teksta laukiem vai pogām) un piekļūt iekļauto failu neapstrādātajiem baitu datiem dokumenta anotācijās, nodrošinot nevainojamu sistēmas savietojamību.

Kā izvilkt interaktīvu veidlapas datus, izmantojot C# .NET bibliotēku?

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
                }
            }
        }
    }
}

Nevainojama vairāku PDF failu apvienošana, izmantojot C#

Pāri satura izguvei, PdfPig piedāvā vienkāršus dokumentu pārvaldības rīkus. Izmantojot PdfMerger klasi, izstrādātāji var apvienot atsevišķas neatkarīgas PDF struktūras vienā, vienotā izvades baitu masīvā. Tas nodrošina efektīvu veidu, kā savienot programmatiski ģenerētus pārskatus, rēķinus vai klientu izrakstu dokumentus, nepievienojot smagus, ārējos atkarības jūsu .NET caurulē. Zemāk esošais piemērs parāda, kā lietotāji var apvienot vairākus PDF dokumentus .NET lietojumprogrammās.

Kā apvienot vairākus PDF failus C# .NET lietojumprogrammās?

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 metadatu, formu un anotāciju lasīšana

Pāri teksta izguvei, atvērtā koda PdfPig bibliotēka ir iekļāvusi funkcijas, kas atklāj dokumenta metadatus (virsraksts, autors, izstrādātājs), interaktīvos veidlapu laukus, hipersaites un grāmatzīmes. Tas ir nenovērtējami svarīgi dokumentu klasifikācijas sistēmām, automatizētai veidlapu apstrādei un satura indeksēšanai, kur nepieciešami gan saturs, gan konteksts.

 Latviski