API gratuit C# .NET pentru extragerea și analiza textului PDF

Începeți cu PdfPig

Biblioteca PdfPig este disponibilă ca pachet NuGet. Prin urmare, se recomandă cu tărie utilizarea NuGet pentru a instala PdfPig în proiectul dumneavoastră. Vă rugăm să utilizați comanda următoare pentru o instalare cu succes.

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

Extrageți text din documente PDF prin .NET

Unul dintre cele mai comune cazuri de utilizare ale PdfPig este extragerea textului simplu din documentele PDF. Dezvoltatorii de software pot deschide un PDF și pot citi textul pagină cu pagină sau pot extrage întregul conținut. Acest lucru este deosebit de util pentru indexarea în căutări, scanarea cuvintelor cheie și analiza conținutului. Iată un exemplu simplu care demonstrează cum dezvoltatorii de software pot extrage text din documente PDF în aplicații C# .NET. Mai întâi deschide fișierul PDF și iterează prin toate paginile, apoi citește conținutul textului extras.

using UglyToad.PdfPig;

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

Formulare interactive și extragerea fișierelor încorporate

Biblioteca open source PdfPig suportă în mod nativ extragerea formularelor interactive Acrobat (AcroForms) și citirea fișierelor ascunse în atașamentele PDF. Aceasta permite dezvoltatorilor să verifice definițiile formularelor la nivel global, să itereze prin elementele interactive tipizate ale formularului (cum ar fi casetele de bifare, câmpurile de text sau butoanele), și să acceseze datele brute subiacente ale fișierelor încorporate în adnotările documentului pentru o interoperabilitate sistemică fără întreruperi.

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
                }
            }
        }
    }
}

Îmbinare PDF multi-fișier fără probleme prin C#

Dincolo de extragerea conținutului, PdfPig oferă utilități simple de gestionare a documentelor. Prin utilizarea clasei PdfMerger, dezvoltatorii pot consolida structuri PDF separate și independente într-un singur tablou unificat de octeți de fișier. Aceasta oferă o modalitate eficientă de a concatena rapoarte programatice, facturi sau documente de extrase pentru clienți fără a adăuga dependențe externe voluminoase în pipeline-ul dvs. .NET. Exemplul următor demonstrează cum utilizatorii pot combina mai multe documente PDF în aplicații .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);
    }
}

Citiți metadatele PDF, formularele și adnotările

Dincolo de extragerea textului, biblioteca open source PdfPig a inclus funcționalități care expun metadatele documentului (titlu, autor, producător), câmpuri de formular interactive, hyperlinkuri și semne de carte. Acest lucru este de neprețuit pentru sistemele de clasificare a documentelor, procesarea automată a formularelor și indexarea conținutului, unde aveți nevoie atât de conținut, cât și de context.