Бесплатный API C# .NET для извлечения и анализа текста PDF

Начало работы с PdfPig

Библиотека PdfPig доступна как пакет NuGet. Поэтому настоятельно рекомендуется использовать NuGet для установки PdfPig в ваш проект. Пожалуйста, используйте следующую команду для успешной установки.

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

Извлечение текста из PDF‑документов с помощью .NET

Одним из самых распространённых вариантов использования PdfPig является извлечение простого текста из PDF‑документов. Разработчики программного обеспечения могут открыть PDF и читать текст постранично или извлекать всё содержимое. Это особенно полезно для индексации поиска, сканирования ключевых слов и анализа контента. Ниже приведён простой пример, демонстрирующий, как разработчики могут извлекать текст из PDF‑документов в приложениях C# .NET. Сначала он открывает PDF‑файл и перебирает все страницы, после чего читает извлечённый текстовый контент.

using UglyToad.PdfPig;

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

Интерактивные формы и извлечение вложенных файлов

Библиотека с открытым исходным кодом PdfPig изначально поддерживает извлечение интерактивных форм Acrobat (AcroForms) и чтение файлов, скрытых в PDF‑вложениях. Она позволяет разработчикам глобально проверять определения форм, перебирать типизированные интерактивные элементы форм (например, флажки, текстовые поля или кнопки), а также получать доступ к исходным необработанным байтовым данным файлов, встроенных в аннотации документа, для бесшовной системной совместимости.

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
                }
            }
        }
    }
}

Бесшовное объединение нескольких PDF‑файлов с помощью C#

Помимо извлечения содержимого, PdfPig предлагает простые утилиты управления документами. Используя класс PdfMerger, разработчики могут объединять отдельные независимые структуры PDF в единый массив байтов выходного файла. Это предоставляет эффективный способ конкатенировать программные отчёты, счета‑фактуры или документы с выписками клиентов без добавления громоздких внешних зависимостей в ваш .NET конвейер. Следующий пример демонстрирует, как пользователи могут комбинировать несколько PDF‑документов внутри .NET приложений.

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);
    }
}

Чтение метаданных PDF, форм и аннотаций

Помимо извлечения текста, открытая библиотека PdfPig включает функции, которые раскрывают метаданные документа (заголовок, автор, производитель), интерактивные поля форм, гиперссылки и закладки. Это бесценно для систем классификации документов, автоматической обработки форм и индексации контента, где требуется как содержание, так и контекст.