API Gratuita C# .NET para Extração e Análise de Texto em PDF

Começando com o PdfPig

A biblioteca PdfPig está disponível como um pacote NuGet. Portanto, recomenda-se fortemente usar o NuGet para instalar o PdfPig em seu projeto. Por favor, use o comando a seguir para uma instalação bem-sucedida.

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

Extrair Texto de Documentos PDF via .NET

Um dos casos de uso mais comuns do PdfPig é extrair texto simples de documentos PDF. Desenvolvedores de software podem abrir um PDF e ler o texto página por página ou extrair todo o conteúdo. Isso é especialmente útil para indexação de busca, varredura de palavras‑chave e análise de conteúdo. Aqui está um exemplo simples que demonstra como desenvolvedores de software podem extrair texto de documentos PDF em aplicações C# .NET. Primeiro ele abre o arquivo PDF e itera por todas as páginas e, em seguida, lê o conteúdo de texto extraído.

using UglyToad.PdfPig;

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

Formulários Interativos e Extração de Arquivos Incorporados

A biblioteca de código aberto PdfPig oferece suporte nativo à extração de Formulários Acrobat interativos (AcroForms) e à leitura de arquivos ocultos em anexos PDF. Ela permite que os desenvolvedores verifiquem definições de formulário globalmente, iterem pelos elementos interativos tipados (como caixas de seleção, campos de texto ou botões), e acessem os dados brutos subjacentes dos arquivos incorporados nas anotações do documento para uma interoperabilidade de sistema perfeita.

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
                }
            }
        }
    }
}

Mesclagem de PDFs múltiplos sem costura via C#

Além da extração de conteúdo, o PdfPig oferece utilitários simples de gerenciamento de documentos. Ao utilizar a classe PdfMerger, os desenvolvedores podem consolidar estruturas PDF independentes separadas em um único array de bytes de saída unificado. Isso fornece uma maneira eficaz de concatenar relatórios programáticos, faturas ou documentos de extrato de cliente sem adicionar dependências externas volumosas ao seu pipeline .NET. O exemplo a seguir demonstra como os usuários podem combinar vários documentos PDF dentro de aplicações .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);
    }
}

Ler Metadados, Formulários e Anotações de PDF

Além da extração de texto, a biblioteca de código aberto PdfPig inclui recursos que expõem metadados do documento (título, autor, produtor), campos de formulário interativos, hyperlinks e marcadores. Isso é inestimável para sistemas de classificação de documentos, processamento automatizado de formulários e indexação de conteúdo, onde você precisa tanto do conteúdo quanto do contexto.