API C# .NET Percuma untuk Pengekstrakan Teks PDF dan Analisis

Mula Menggunakan PdfPig

Perpustakaan PdfPig tersedia sebagai pakej nuget. Oleh itu, sangat disarankan menggunakan NuGet untuk memasang PdfPig ke dalam projek anda. Sila gunakan perintah berikut untuk pemasangan yang berjaya.

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

Ekstrak Teks dari Dokumen PDF melalui .NET

Salah satu kes penggunaan paling umum PdfPig ialah mengekstrak teks biasa daripada dokumen PDF. Pemaju perisian boleh membuka PDF dan membaca teks halaman demi halaman atau mengekstrak keseluruhan kandungan. Ini sangat berguna untuk pengindeksan carian, pengimbasan kata kunci, dan analisis kandungan. Berikut ialah contoh mudah yang menunjukkan bagaimana pemaju perisian boleh mengekstrak teks daripada dokumen PDF dalam aplikasi C# .NET. Pertama ia membuka fail PDF dan mengulangi semua halaman, kemudian membaca kandungan teks yang diekstrak.

using UglyToad.PdfPig;

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

Borang Interaktif & Pengekstrakan Fail Terbenam

Pustaka PdfPig sumber terbuka secara asli menyokong pengekstrakan Borang Acrobat interaktif (AcroForms) dan pembacaan fail yang tersembunyi dalam lampiran PDF. Ia membolehkan pemaju memeriksa definisi borang secara global, mengulangi elemen borang interaktif berjenis (seperti kotak semak, medan teks, atau butang tekan), dan mengakses data bait mentah asas fail yang terbenam dalam anotasi dokumen untuk interoperabiliti sistem yang lancar.

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 Berbilang Fail Secara Lancar melalui C#

Selain pengekstrakan kandungan, PdfPig menawarkan utiliti pengurusan dokumen yang mudah. Dengan menggunakan kelas PdfMerger, pembangun dapat menggabungkan struktur PDF berasingan yang bebas menjadi satu susunan bait fail output yang bersatu. Ini menyediakan cara yang berkesan untuk menyambungkan laporan programatik, invois, atau dokumen penyata pelanggan tanpa menambah kebergantungan luaran yang besar kepada paip .NET anda. Contoh berikut menunjukkan bagaimana pengguna dapat menggabungkan pelbagai dokumen PDF dalam aplikasi .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, Borang, dan Anotasi

Selain pengekstrakan teks, perpustakaan sumber terbuka PdfPig telah menyertakan ciri-ciri yang memaparkan metadata dokumen (tajuk, pengarang, pengeluar), medan borang interaktif, pautan hiper, dan penanda buku. Ini sangat berharga untuk sistem pengelasan dokumen, pemprosesan borang automatik, dan pengindeksan kandungan di mana anda memerlukan kedua-dua kandungan dan konteks.