Gratis C# .NET API voor PDF-tekstextractie en -analyse

Aan de slag met PdfPig

De PdfPig-bibliotheek is beschikbaar als een NuGet-pakket. Het wordt sterk aanbevolen om NuGet te gebruiken om PdfPig in uw project te installeren. Gebruik alstublieft het volgende commando voor een succesvolle installatie.

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

Tekst extraheren uit PDF-documenten via .NET

Een van de meest voorkomende gebruikssituaties van PdfPig is het extraheren van platte tekst uit PDF‑documenten. Softwareontwikkelaars kunnen een PDF openen en de tekst pagina voor pagina lezen of de volledige inhoud extraheren. Dit is vooral nuttig voor zoekindexering, trefwoordscanning en inhoudsanalyse. Hier is een eenvoudig voorbeeld dat laat zien hoe softwareontwikkelaars tekst uit PDF‑documenten kunnen extraheren binnen C# .NET‑toepassingen. Eerst wordt het PDF‑bestand geopend en door alle pagina’s geïtereerd, waarna de geëxtraheerde tekstinhoud wordt gelezen.

using UglyToad.PdfPig;

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

Interactieve formulieren & ingebedde bestandsextractie

De open‑source PdfPig‑bibliotheek ondersteunt van nature het extraheren van interactieve Acrobat‑formulieren (AcroForms) en het lezen van bestanden die verborgen zijn in PDF‑bijlagen. Het stelt ontwikkelaars in staat om wereldwijd te controleren op formulierdefinities, door getypte interactieve formulierelementen te itereren (zoals selectievakjes, tekstvelden of drukknoppen), en toegang te krijgen tot de onderliggende ruwe byte‑data van bestanden die zijn ingebed in documentannotaties voor naadloze systeeminteroperabiliteit.

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
                }
            }
        }
    }
}

Naadloze samenvoeging van meerdere PDF-bestanden via C#

Naast het extraheren van inhoud biedt PdfPig eenvoudige hulpmiddelen voor documentbeheer. Door gebruik te maken van de PdfMerger-klasse kunnen ontwikkelaars afzonderlijke, onafhankelijke PDF-structuren consolideren tot één enkele, uniforme uitvoerarray van bestandsbytes. Dit biedt een effectieve manier om programmatische rapporten, facturen of klantafschriften samen te voegen zonder omvangrijke, externe afhankelijkheden aan uw .NET-pijplijn toe te voegen. Het volgende voorbeeld toont hoe gebruikers meerdere PDF-documenten kunnen combineren binnen .NET-toepassingen.

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-metadata, formulieren en annotaties lezen

Naast tekstextractie bevat de open‑source PdfPig-bibliotheek functies die documentmetadata (titel, auteur, producent) blootleggen, interactieve formuliervelden, hyperlinks en bladwijzers. Dit is van onschatbare waarde voor documentclassificatiesystemen, geautomatiseerde formulierverwerking en inhoudsindexering waar zowel inhoud als context nodig zijn.