1. Produkter
  2.   PDF
  3.   .NET
  4.   PdfPig
 
  

Gratis C# .NET API för PDF-textutvinning och analys

Ett ledande Open Source .NET-bibliotek för att enkelt extrahera text, bilder, metadata och PDF-strukturinformation från PDF-filer. Lägg till nya sidor, tabeller, text och former i PDF-filer.

Vad är PdfPig-biblioteket?

PdfPig är ett open-source .NET-bibliotek som är utformat för att läsa, parsning och extrahera innehåll från PDF-filer i C#. Det har utvecklats som en port av Apache PDFBox för .NET-ekosystemet och används i stor utsträckning för PDF-textutdrag, dokumentanalys och låg-nivå PDF-behandling. Det stödjer .NET Standard och flera .NET-versioner, vilket gör det mycket flexibelt för moderna utvecklingsmiljöer. Biblioteket är mycket användbart för dokumentindexering, sökmotorer, AI/ML-dokumentförbehandling, OCR-efterbehandling, fakturaautomatisering, PDF-tillgänglighetsverktyg och datautvinningssystem.

PDF-filer finns överallt—kontrakt, rapporter, fakturor, e-böcker, kontoutdrag, forskningsartiklar och formulär. Att extrahera strukturerad information från PDF-filer är ofta svårt eftersom PDF främst är ett presentationsformat, inte ett semantiskt dokumentformat. PdfPig förenklar detta problem genom att ge utvecklare tillgång till råtext och ord, teckenpositioner och avgränsningsrutor, teckensnitt och stilinformation, bilder och metadata samt dokumentlayoutdetaljer. Till skillnad från många PDF-bibliotek som främst fokuserar på att generera PDF-filer, är PdfPig specialiserat på att läsa befintliga PDF-dokument. Detta gör det till ett utmärkt val för utvecklare som bygger sökmotorer, OCR-pipelines, fakturaparsare, dokumentanalysverktyg, efterlevnadsverktyg eller system för innehållsextraktion.

Previous Next

Komma igång med PdfPig

PdfPig-biblioteket finns tillgängligt som ett NuGet-paket. Det rekommenderas starkt att använda NuGet för att installera PdfPig i ditt projekt. Använd följande kommando för en lyckad installation.

Installera PdfPig via NuGet-pakethanteraren

// Package Manager
Install-Package PdfPig

// .NET CLI

dotnet add package PdfPig

Du kan också installera det manuellt; ladda ner de senaste release-filerna direkt från GitHub-arkivet.

Extrahera text från PDF-dokument via .NET

Ett av PdfPigs vanligaste användningsområden är att extrahera vanlig text från PDF-dokument. Mjukvaruutvecklare kan öppna en PDF och läsa text sida för sida eller extrahera hela innehållet. Detta är särskilt användbart för sökindexering, nyckelordsavläsning och innehållsanalys. Här är ett enkelt exempel som visar hur mjukvaruutvecklare kan extrahera text från PDF-dokument i C# .NET-applikationer. Först öppnas PDF-filen och itereras genom alla sidor, därefter läses den extraherade textinnehållet.

Hur extraherar man text från PDF-dokument via C#-API?

using UglyToad.PdfPig;

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

Interaktiva formulär och extrahering av inbäddade filer

Det öppna källkods-biblioteket PdfPig stöder nativt extraktion av interaktiva Acrobat-formulär (AcroForms) och läsning av filer som är dolda i PDF-bilagor. Det låter utvecklare att kontrollera formulärdefinitioner globalt, iterera genom typade interaktiva formelement (såsom kryssrutor, textfält eller tryckknappar) och komma åt den underliggande råa byte-datan för filer som är inbäddade i dokumentanteckningar för sömlös systeminteroperabilitet.

Hur extraherar man interaktiva formulärdata via C# .NET-biblioteket?

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
                }
            }
        }
    }
}

Sömlös sammanslagning av flera PDF-filer via C#

Utöver innehållsextraktion erbjuder PdfPig enkla verktyg för dokumenthantering. Genom att använda PdfMerger-klassen kan utvecklare konsolidera separata oberoende PDF-strukturer till en enda, enhetlig utdataarray av filbytes. Detta ger ett effektivt sätt att sammanfoga programatiska rapporter, fakturor eller kundkontoutdrag utan att lägga till tunga externa beroenden i din .NET-pipeline. Följande exempel visar hur användare kan kombinera flera PDF-dokument i .NET-applikationer.

Hur slår man samman flera PDF-filer i C# .NET-appar?

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);
    }
}

Läs PDF-metadata, formulär och kommentarer

Utöver textutvinning har det öppna PdfPig-biblioteket inkluderat funktioner som visar dokumentmetadata (titel, författare, producent), interaktiva formulärfält, hyperlänkar och bokmärken. Detta är ovärderligt för dokumentklassificeringssystem, automatiserad formulärbehandling och innehållsindexering där du behöver både innehåll och sammanhang.

 Svenska