Text aus PDF in C# mit iTextSharp extrahieren vs IronPDF

Mit IronPDF Text aus PDF-Dateien extrahieren

Nach der Installation ist das Extrahieren von Text einfach:

using IronPdf;

// Load the PDF document
var pdf = PdfDocument.FromFile("invoice.pdf");

// Extract text from the PDF
string extractedText = pdf.ExtractAllText();

// Output the extracted text
Console.WriteLine(extractedText);

using IronPdf;

// Load the PDF document
var pdf = PdfDocument.FromFile("invoice.pdf");

// Extract text from the PDF
string extractedText = pdf.ExtractAllText();

// Output the extracted text
Console.WriteLine(extractedText);

Imports IronPdf

' Load the PDF document
Private pdf = PdfDocument.FromFile("invoice.pdf")

' Extract text from the PDF
Private extractedText As String = pdf.ExtractAllText()

' Output the extracted text
Console.WriteLine(extractedText)

Hinweis: Diese Methode liest die gesamte PDF-Datei und gibt den Text in Lesereihenfolge zurück und spart Stunden an Parsing-Zeit im Vergleich zu herkömmlichen Bibliotheken.

Keine Handhabung von Encodings, Streams oder Parsing nötig. IronPDF kümmert sich intern um alles und bietet eine saubere und genaue Ausgabe mit minimalem Setup. Sie könnten dann den extrahierten Text einfach in einer neuen Textdatei speichern, um ihn weiter zu bearbeiten oder zu verwenden.

Text aus PDF-Dokumenten mit iTextSharp extrahieren

Hier ist ein Beispiel, um Text von einer einzelnen PDF-Seite zu extrahieren:

using iText.Kernel.Pdf;
using iText.Kernel.Pdf.Canvas.Parser;
using iText.Kernel.Pdf.Canvas.Parser.Listener;

// Define the path to your PDF
string path = "sample.pdf";

// Open the PDF reader and document
using (PdfReader reader = new PdfReader(path))
using (PdfDocument pdf = new PdfDocument(reader))
{
    // Use a simple text extraction strategy
    var strategy = new SimpleTextExtractionStrategy();

    // Extract text from the first page
    string pageText = PdfTextExtractor.GetTextFromPage(pdf.GetPage(1), strategy);

    // Output the extracted text
    Console.WriteLine(pageText);
}

using iText.Kernel.Pdf;
using iText.Kernel.Pdf.Canvas.Parser;
using iText.Kernel.Pdf.Canvas.Parser.Listener;

// Define the path to your PDF
string path = "sample.pdf";

// Open the PDF reader and document
using (PdfReader reader = new PdfReader(path))
using (PdfDocument pdf = new PdfDocument(reader))
{
    // Use a simple text extraction strategy
    var strategy = new SimpleTextExtractionStrategy();

    // Extract text from the first page
    string pageText = PdfTextExtractor.GetTextFromPage(pdf.GetPage(1), strategy);

    // Output the extracted text
    Console.WriteLine(pageText);
}

Imports iText.Kernel.Pdf
Imports iText.Kernel.Pdf.Canvas.Parser
Imports iText.Kernel.Pdf.Canvas.Parser.Listener

' Define the path to your PDF
Private path As String = "sample.pdf"

' Open the PDF reader and document
Using reader As New PdfReader(path)
Using pdf As New PdfDocument(reader)
	' Use a simple text extraction strategy
	Dim strategy = New SimpleTextExtractionStrategy()

	' Extract text from the first page
	Dim pageText As String = PdfTextExtractor.GetTextFromPage(pdf.GetPage(1), strategy)

	' Output the extracted text
	Console.WriteLine(pageText)
End Using
End Using

Dieses Beispiel demonstriert die Fähigkeit von iTextSharp, aber beachten Sie die Verbosität und die zusätzlichen Objekte, die erforderlich sind, um eine einfache Aufgabe auszuführen.

Erweitertes Beispiel: Extrahieren von Text aus einem Seitenbereich mit IronPDF

IronPDF unterstützt die granulare Kontrolle über die Seitenauswahl und Layout-abhängige Textextraktion.

using IronPdf;

// Load the PDF document
var pdf = PdfDocument.FromFile("longPdf.pdf");

// Define the page numbers to extract text from
int[] pages = new[] { 2, 3, 4 };

// Extract text from the specified pages
var text = pdf.ExtractTextFromPages(pages);

// Output the extracted text
Console.WriteLine("Extracted text from pages 2, 3, and 4:\n" + text);

using IronPdf;

// Load the PDF document
var pdf = PdfDocument.FromFile("longPdf.pdf");

// Define the page numbers to extract text from
int[] pages = new[] { 2, 3, 4 };

// Extract text from the specified pages
var text = pdf.ExtractTextFromPages(pages);

// Output the extracted text
Console.WriteLine("Extracted text from pages 2, 3, and 4:\n" + text);

Imports Microsoft.VisualBasic
Imports IronPdf

' Load the PDF document
Private pdf = PdfDocument.FromFile("longPdf.pdf")

' Define the page numbers to extract text from
Private pages() As Integer = { 2, 3, 4 }

' Extract text from the specified pages
Private text = pdf.ExtractTextFromPages(pages)

' Output the extracted text
Console.WriteLine("Extracted text from pages 2, 3, and 4:" & vbLf & text)

Erweitertes Beispiel: Extrahieren von Text aus einem Seitenbereich mit iTextSharp

In iTextSharp müssen Sie den Seitenbereich manuell festlegen und Text mit PdfTextExtractor extrahieren:

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
using System.IO;
using System.Text;

// Load the PDF document
PdfReader reader = new PdfReader("longPdf.pdf");
StringBuilder textBuilder = new StringBuilder();

// Extract text from pages 2–4
for (int i = 2; i <= 4; i++)
{
    string pageText = PdfTextExtractor.GetTextFromPage(reader, i, new LocationTextExtractionStrategy());
    textBuilder.AppendLine(pageText);
}

// Output the extracted text
Console.WriteLine(textBuilder.ToString());

// Close the PDF reader
reader.Close();

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
using System.IO;
using System.Text;

// Load the PDF document
PdfReader reader = new PdfReader("longPdf.pdf");
StringBuilder textBuilder = new StringBuilder();

// Extract text from pages 2–4
for (int i = 2; i <= 4; i++)
{
    string pageText = PdfTextExtractor.GetTextFromPage(reader, i, new LocationTextExtractionStrategy());
    textBuilder.AppendLine(pageText);
}

// Output the extracted text
Console.WriteLine(textBuilder.ToString());

// Close the PDF reader
reader.Close();

Imports iTextSharp.text.pdf
Imports iTextSharp.text.pdf.parser
Imports System.IO
Imports System.Text

' Load the PDF document
Private reader As New PdfReader("longPdf.pdf")
Private textBuilder As New StringBuilder()

' Extract text from pages 2–4
For i As Integer = 2 To 4
	Dim pageText As String = PdfTextExtractor.GetTextFromPage(reader, i, New LocationTextExtractionStrategy())
	textBuilder.AppendLine(pageText)
Next i

' Output the extracted text
Console.WriteLine(textBuilder.ToString())

' Close the PDF reader
reader.Close()

Zusammenfassung des Code-Vergleichs

Sowohl IronPDF als auch iTextSharp sind in der Lage, fortgeschrittene PDF-Textextraktion durchzuführen, aber ihre Ansätze unterscheiden sich erheblich in Bezug auf Komplexität und Klarheit:

• IronPDF hält alles sauber und zugänglich. Seine hochentwickelten Methoden wie PdfDocument.ExtractAllText() erlauben es Ihnen, strukturierten Inhalt mit minimalem Setup zu extrahieren. Der Code ist klar und einfach zu implementieren, selbst für Entwickler, die neu in der PDF-Verarbeitung sind.

• iTextSharp erfordert hingegen ein tieferes Verständnis der PDF-Struktur. Text extrahieren erfordert das Einrichten von benutzerdefinierten Render-Listenern, manuelle Seitenverwaltung und Interpreten der Layout-Daten Zeile für Zeile. Während es leistungsfähig ist, ist es umständlicher und weniger intuitiv, wodurch IronPDF für die meisten .NET-Projekte eine schnellere und besser wartbare Option ist.

Aber unser Vergleich endet hier nicht. Schauen wir uns an, wie diese Bibliotheken in anderen Bereichen abschneiden.

1. Benutzerfreundlichkeit

IronPDF: Eine saubere und moderne API

IronPDF legt Wert auf das Entwicklererlebnis. Die Installation ist einfach über NuGet und die Syntax ist intuitiv:

using IronPdf;

// Load the PDF
var pdf = PdfDocument.FromFile("sample.pdf");

// Extract all text from every page
string extractedText = pdf.ExtractAllText();

// Output the extracted text
Console.WriteLine(extractedText);

using IronPdf;

// Load the PDF
var pdf = PdfDocument.FromFile("sample.pdf");

// Extract all text from every page
string extractedText = pdf.ExtractAllText();

// Output the extracted text
Console.WriteLine(extractedText);

Imports IronPdf

' Load the PDF
Private pdf = PdfDocument.FromFile("sample.pdf")

' Extract all text from every page
Private extractedText As String = pdf.ExtractAllText()

' Output the extracted text
Console.WriteLine(extractedText)

IronPDF abstrahiert die Komplexität hinter einfachen Methodenaufrufen wie ExtractAllText(), ohne dass Boilerplate- oder Parsing-Logik erforderlich ist.

iTextSharp: Mehr Verbose und Niedrigere Ebene

iTextSharp erfordert manuelles Parsing jeder Seite und mehr Aufwand, um einfachen Text zu extrahieren.

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
using System.IO;
using System.Text;

// Load the PDF
var reader = new PdfReader("sample.pdf");
StringBuilder text = new StringBuilder();

for (int i = 1; i <= reader.NumberOfPages; i++)
{
    text.Append(PdfTextExtractor.GetTextFromPage(reader, i));
}

// Output the extracted text
Console.WriteLine(text.ToString());

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
using System.IO;
using System.Text;

// Load the PDF
var reader = new PdfReader("sample.pdf");
StringBuilder text = new StringBuilder();

for (int i = 1; i <= reader.NumberOfPages; i++)
{
    text.Append(PdfTextExtractor.GetTextFromPage(reader, i));
}

// Output the extracted text
Console.WriteLine(text.ToString());

Imports iTextSharp.text.pdf
Imports iTextSharp.text.pdf.parser
Imports System.IO
Imports System.Text

' Load the PDF
Private reader = New PdfReader("sample.pdf")
Private text As New StringBuilder()

For i As Integer = 1 To reader.NumberOfPages
	text.Append(PdfTextExtractor.GetTextFromPage(reader, i))
Next i

' Output the extracted text
Console.WriteLine(text.ToString())

Entwickler müssen Seiten manuell durchlaufen, was zu mehr Code und potenziellen Fehlern führt, wenn Randfälle auftreten.

2. Leistung und Zuverlässigkeit

• IronPDF basiert auf einer modernen Rendering-Engine (Chromium) und ist gut geeignet für moderne PDFs, selbst solche mit eingebetteten Schriftarten, gedrehten Texten und mehreren Layouts. Die Textextraktion ist layoutabhängig und behält die Abstände natürlicher bei.

• iTextSharp kann bei komplexen Formatierungen Schwierigkeiten haben. PDF-Dateien mit gemischter Ausrichtung oder nicht standardisierten Encodings können falsch angeordneten oder unsortierten Text liefern.

3. Kosten und Lizenzierung

4. Entwicklerunterstützung und Dokumentation

• IronPDF: Bietet moderne Dokumentation, Video-Tutorials und schnellen Support per Ticketsystem.

• iTextSharp: Gute Dokumentation, aber nur eingeschränkter kostenloser Support, es sei denn, man ist zahlender Kunde.

5. Bibliotheksübergreifende Zusammenfassung