Darmowe API C# .NET do wyodrębniania i analizy tekstu PDF

Rozpoczęcie pracy z PdfPig

Biblioteka PdfPig jest dostępna jako pakiet NuGet. Dlatego zdecydowanie zaleca się użycie NuGet do zainstalowania PdfPig w swoim projekcie. Proszę użyć poniższego polecenia, aby pomyślnie zainstalować.

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

Wyodrębnianie tekstu z dokumentów PDF za pomocą .NET

Jednym z najczęstszych zastosowań PdfPig jest wyodrębnianie zwykłego tekstu z dokumentów PDF. Programiści mogą otworzyć plik PDF i czytać tekst strona po stronie lub wyodrębnić całą zawartość. Jest to szczególnie przydatne do indeksowania wyszukiwania, skanowania słów kluczowych i analizy treści. Oto prosty przykład, który pokazuje, jak programiści mogą wyodrębniać tekst z dokumentów PDF w aplikacjach C# .NET. Najpierw otwiera plik PDF i iteruje przez wszystkie strony, po czym odczytuje wyodrębnioną treść tekstową.

using UglyToad.PdfPig;

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

Formularze interaktywne i wyodrębnianie osadzonych plików

Biblioteka open source PdfPig natywnie obsługuje wyodrębnianie interaktywnych formularzy Acrobat (AcroForms) oraz odczytywanie plików ukrytych w załącznikach PDF. Umożliwia programistom globalne sprawdzanie definicji formularzy, iterowanie przez typowane interaktywne elementy formularzy (takie jak pola wyboru, pola tekstowe czy przyciski), oraz dostęp do surowych danych bajtowych plików osadzonych w adnotacjach dokumentu, co zapewnia płynną interoperacyjność systemów.

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
                }
            }
        }
    }
}

Bezproblemowe łączenie wielu plików PDF za pomocą C#

Poza ekstrakcją treści, PdfPig oferuje proste narzędzia do zarządzania dokumentami. Korzystając z klasy PdfMerger, programiści mogą konsolidować oddzielne, niezależne struktury PDF w jedną, zjednoczoną tablicę bajtów pliku wyjściowego. Zapewnia to skuteczny sposób łączenia programowych raportów, faktur lub dokumentów wyciągów klienta bez dodawania ciężkich, zewnętrznych zależności do Twojego potoku .NET. Poniższy przykład pokazuje, jak użytkownicy mogą łączyć wiele dokumentów PDF w aplikacjach .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);
    }
}

Odczyt metadanych PDF, formularzy i adnotacji

Poza ekstrakcją tekstu, otwarto‑źródłowa biblioteka PdfPig zawiera funkcje udostępniające metadane dokumentu (tytuł, autor, producent), interaktywne pola formularzy, hiperłącza i zakładki. Jest to nieocenione dla systemów klasyfikacji dokumentów, automatycznego przetwarzania formularzy i indeksowania treści, gdzie potrzebne są zarówno zawartość, jak i kontekst.