Wie man Daten aus PDF-Dateien in ASP.NET Core liest

Wie richten Sie IronPDF in ASP.NET Core ein?

Der Einstieg in IronPDF in Ihrem ASP.NET Core-Projekt ist schnell. Installieren Sie das IronPDF NuGet-Paket über die NuGet-Paket-Manager-Konsole mit folgendem Befehl:

Install-Package IronPdf

Oder über die .NET CLI:

dotnet add package IronPdf

Nach der Installation fügen Sie den IronPDF-Namespace Ihrer Program-Klasse, Ihrem Controller oder Ihren Diensten hinzu:

using IronPdf;

using IronPdf;

Ausführliche Installationsoptionen, einschließlich Docker-Bereitstellung , Azure-Setup und zusätzlicher Linux-Kompatibilität , finden Sie in der vollständigen Dokumentation . Die Bibliothek funktioniert reibungslos in containerisierten Umgebungen mit minimaler Konfiguration und ist daher ideal für Microservices-Architekturen geeignet. Sie können es auch für AWS Lambda- Umgebungen, Windows-Server oder macOS-Systeme konfigurieren. Die Installationsübersicht bietet plattformspezifische Anleitungen, während erweiterte NuGet-Optionen Szenarien für den Einsatz in Unternehmen abdecken.

Wie können Sie Text aus PDF-Dateien extrahieren?

Die ExtractAllText-Methode von IronPDF bietet sofortigen Zugriff auf alle Textinhalte innerhalb eines PDF-Dokuments. Diese Methode behandelt verschiedene Textkodierungen und bewahrt die Lesereihenfolge des Originaldokuments, wodurch eine genaue Datenerfassung aus PDF-Dateien in ASP.NET Core-Anwendungen gewährleistet wird. Der Extraktionsprozess ist threadsicher und für Hochleistungsszenarien optimiert. Es unterstützt die UTF-8-Kodierung für internationale Sprachen .

// Load a PDF document
var pdf = PdfDocument.FromFile("document.pdf");
// Extract all text
string allText = pdf.ExtractAllText();
// Extract text from specific page (0-indexed)
string pageText = pdf.ExtractTextFromPage(0); // current page

// Load a PDF document
var pdf = PdfDocument.FromFile("document.pdf");
// Extract all text
string allText = pdf.ExtractAllText();
// Extract text from specific page (0-indexed)
string pageText = pdf.ExtractTextFromPage(0); // current page

Die ExtractAllText Methode gibt eine Zeichenkette zurück, die den gesamten lesbaren Text aus der PDF-Datei enthält, wobei Zeilenumbrüche und Abstände erhalten bleiben. Für die seitenbezogene Extraktion ermöglicht ExtractTextFromPage das gezielte Ansteuern einzelner Seiten mithilfe der nullbasierten Indizierung. Diese Methode funktioniert problemlos mit verschlüsselten PDFs, sofern Sie das richtige Passwort angeben. Die Textextraktion unterstützt die UTF-8-Kodierung und internationale Sprachen . Sie können auch bestimmte Bereiche analysieren oder mit PDF-DOM-Objekten arbeiten, um eine feinere Steuerung zu ermöglichen.

Hier ist eine praktische ASP.NET Core-Controller-Implementierung, die zeigt, wie man Daten aus PDF-Dateien mit minimalem Speicherbedarf liest:

[ApiController]
[Route("api/[controller]")]
public class PdfController : ControllerBase
{
    [HttpPost("extract-text")]
    public IActionResult ExtractText(IFormFile pdfFile)
    {
        using var stream = new MemoryStream();
        pdfFile.CopyTo(stream);
        var pdf = new PdfDocument(stream.ToArray());
        var extractedText = pdf.ExtractAllText();
        return Ok(new { text = extractedText });
    }
}

[ApiController]
[Route("api/[controller]")]
public class PdfController : ControllerBase
{
    [HttpPost("extract-text")]
    public IActionResult ExtractText(IFormFile pdfFile)
    {
        using var stream = new MemoryStream();
        pdfFile.CopyTo(stream);
        var pdf = new PdfDocument(stream.ToArray());
        var extractedText = pdf.ExtractAllText();
        return Ok(new { text = extractedText });
    }
}

Wie lesen Sie PDF-Formulardaten?

PDF-Formulare enthalten interaktive Felder, die Benutzer ausfüllen. IronPDF vereinfacht das Extrahieren dieser Formulardaten durch seine umfassende Formular-API, die alle Standard- AcroForm -Feldtypen unterstützt. Sie können problemlos alle Formularfelddaten extrahieren, einschließlich Textfelder, Kontrollkästchen und Inhaltstypdetails. Die Bibliothek übernimmt digitale Signaturen und die Formularvalidierung automatisch. Es unterstützt außerdem die PDF/A-Konformität für Archivierungsanforderungen und die Barrierefreiheitsstandards nach Section 508 .

Die Antwort kann dann in einer Datenbank gespeichert, an den Benutzer zurückgegeben oder in Ihrem ASP.NET-Anwendungs-Workflow integriert werden. Bei Azure-Bereitstellungen empfiehlt sich die Verwendung von Blob-Speicher für verarbeitete Formulardaten. Der folgende Code zeigt, wie das geht:

[HttpPost("extract-form")]
        public IActionResult ExtractForm([FromForm] IFormFile pdfFile)
        {
            if (pdfFile == null || pdfFile.Length == 0)
            {
                return BadRequest("No PDF file uploaded.");
            }
            using var stream = new MemoryStream();
            pdfFile.CopyTo(stream);
            var pdf = new PdfDocument(stream.ToArray());
            var formData = new Dictionary<string, string>();
            if (pdf.Form != null)
            {
                foreach (var field in pdf.Form)
                {
                    formData[field.Name] = field.Value;
                }
            }
            return Ok(new { formFields = formData });
        }

[HttpPost("extract-form")]
        public IActionResult ExtractForm([FromForm] IFormFile pdfFile)
        {
            if (pdfFile == null || pdfFile.Length == 0)
            {
                return BadRequest("No PDF file uploaded.");
            }
            using var stream = new MemoryStream();
            pdfFile.CopyTo(stream);
            var pdf = new PdfDocument(stream.ToArray());
            var formData = new Dictionary<string, string>();
            if (pdf.Form != null)
            {
                foreach (var field in pdf.Form)
                {
                    formData[field.Name] = field.Value;
                }
            }
            return Ok(new { formFields = formData });
        }

Der ExtractForm Endpunkt verwendet die Form-Eigenschaft von PdfDocument , um interaktive Felder aus einem hochgeladenen PDF zu lesen. Jedes Feld hat einen Namen und einen Wert, die in einem Wörterbuch gesammelt und als JSON zurückgegeben werden. Dies erleichtert das Erfassen von Daten aus Textfeldern, Kontrollkästchen und anderen Eingaben, sodass PDF-Formulareinsendungen direkt in Ihre Anwendungen oder Datenbanken verarbeitet und integriert werden können. Für eine benutzerdefinierte Protokollierung von Formularverarbeitungsereignissen integrieren Sie Ihr bevorzugtes Protokollierungsframework. Sie können Formulare auch vereinfachen , um weitere Bearbeitungen zu verhindern, oder neue Formularfelder programmatisch hinzufügen .

Wie können Sie Tabellendaten aus PDF-Dokumenten extrahieren?

Tabellen in PDFs sind im Wesentlichen formatierter Text, der Parselogi benötigt, um strukturierte Daten zu extrahieren. IronPDF extrahiert den Text unter Beibehaltung der Abstände, den Sie dann in ASP.NET analysieren können, um Daten aus PDF-Dateien zu lesen. Bei komplexen Tabellen empfiehlt es sich, über den DOM-Objektzugriff programmatisch auf die Dokumentstruktur zuzugreifen. Die Bibliothek verarbeitet mehrspaltige Layouts und erhält die Schriftformatierung während der Extraktion bei:

[HttpPost("extract-table")]
public IActionResult ExtractTable([FromForm] IFormFile pdfFile)
{
    if (pdfFile == null || pdfFile.Length == 0)
        return BadRequest("No PDF file uploaded.");
    using var memoryStream = new MemoryStream();
    pdfFile.CopyTo(memoryStream);
    // Load PDF from byte array
    var pdf = new PdfDocument(memoryStream.ToArray());
    // Extract all text
    string text = pdf.ExtractAllText();
    // Split text into lines (rows)
    string[] lines = text.Split(new[] { '\r', '\n' }, StringSplitOptions.RemoveEmptyEntries);
    var tableData = new List<string[]>();
    foreach (string line in lines)
    {
        // Split line into columns using tab character
        string[] columns = line
            .Split('\t')
            .Where(c => !string.IsNullOrWhiteSpace(c))
            .ToArray();
        if (columns.Length > 0)
            tableData.Add(columns);
    }
    var table = tableData.Select(r => string.Join(" | ", r)).ToList();
    return Ok(new { Table = table });
}

[HttpPost("extract-table")]
public IActionResult ExtractTable([FromForm] IFormFile pdfFile)
{
    if (pdfFile == null || pdfFile.Length == 0)
        return BadRequest("No PDF file uploaded.");
    using var memoryStream = new MemoryStream();
    pdfFile.CopyTo(memoryStream);
    // Load PDF from byte array
    var pdf = new PdfDocument(memoryStream.ToArray());
    // Extract all text
    string text = pdf.ExtractAllText();
    // Split text into lines (rows)
    string[] lines = text.Split(new[] { '\r', '\n' }, StringSplitOptions.RemoveEmptyEntries);
    var tableData = new List<string[]>();
    foreach (string line in lines)
    {
        // Split line into columns using tab character
        string[] columns = line
            .Split('\t')
            .Where(c => !string.IsNullOrWhiteSpace(c))
            .ToArray();
        if (columns.Length > 0)
            tableData.Add(columns);
    }
    var table = tableData.Select(r => string.Join(" | ", r)).ToList();
    return Ok(new { Table = table });
}

Dieser Code extrahiert Text und teilt ihn basierend auf Abstands-Mustern in potenzielle Tabellenzeilen. Für komplexere Tabellen müssen Sie möglicherweise Tabellengrenzen mit Stichwörtern identifizieren oder anspruchsvollere Parsing-Logiken basierend auf Ihrer spezifischen PDF-Struktur implementieren. Bei großen Dokumenten mit mehreren Tabellen sollte die Parallelverarbeitung in Betracht gezogen werden. Sie können die Tabellen auch in HTML konvertieren, um sie einfacher bearbeiten zu können, oder sie zur weiteren Analyse nach Excel exportieren .

Diese Ausgabe kann heruntergeladen, im Browser angezeigt oder zur weiteren Informationsverarbeitung verwendet werden. Sie können CSS-Formatierung oder HTML-String-Rendering integrieren, um Tabellen dynamisch in Ihrer Lösung anzuzeigen. Für Szenarien mit hohen Leistungsanforderungen sollten analysierte Tabellendaten zwischengespeichert werden, um eine wiederholte Verarbeitung zu vermeiden. Ziehen Sie Komprimierungstechniken in Betracht, um die Dateigrößen beim Speichern extrahierter Daten zu reduzieren.

Wie verarbeiten Sie hochgeladene PDF-Dateien in ASP.NET Core?

Die Verarbeitung hochgeladener PDFs erfordert das Konvertieren der IFormFile in ein Format, das IronPDF lesen kann. Dieser Ansatz funktioniert reibungslos mit Razor Pages und MVC-Controllern . Bei containerisierten Anwendungen müssen die korrekten Speicherzuweisungseinstellungen sichergestellt werden. Der Prozess unterstützt große Dateien und Stapelverarbeitung :

[HttpPost("process-upload")]
        public async Task<IActionResult> ProcessPdf([FromForm] IFormFile file)
        {
            if (file == null || file.Length == 0)
                return BadRequest("No PDF file uploaded.");
            using var ms = new MemoryStream();
            await file.CopyToAsync(ms);
            // Load PDF from byte array
            var pdf = new PdfDocument(ms.ToArray());
            // Extract text and page count
            var text = pdf.ExtractAllText();
            var pageCount = pdf.PageCount;
            return Ok(new
            {
                text = text,
                pages = pageCount
            });
        }

[HttpPost("process-upload")]
        public async Task<IActionResult> ProcessPdf([FromForm] IFormFile file)
        {
            if (file == null || file.Length == 0)
                return BadRequest("No PDF file uploaded.");
            using var ms = new MemoryStream();
            await file.CopyToAsync(ms);
            // Load PDF from byte array
            var pdf = new PdfDocument(ms.ToArray());
            // Extract text and page count
            var text = pdf.ExtractAllText();
            var pageCount = pdf.PageCount;
            return Ok(new
            {
                text = text,
                pages = pageCount
            });
        }

Diese asynchrone Aufgabe gewährleistet eine nicht blockierende Verarbeitung und funktioniert mit Ereignisbehandlern und Standard-.NET-Bibliotheken. Verwenden Sie ReturnFile mit Content-Disposition-Headern, um Benutzern das sichere Herunterladen verarbeiteter PDF-Dateien zu ermöglichen. Für zusätzliche Sicherheit sollten Sie die Implementierung der Dateiprüfung in Betracht ziehen, bevor Sie fortfahren. Das asynchrone Muster verbessert die Skalierbarkeit bei Cloud-Bereitstellungen . Sie können während der Verarbeitung auch benutzerdefinierte Wasserzeichen oder digitale Signaturen implementieren. Für MAUI-Anwendungen gelten ähnliche Muster mit plattformspezifischen Anpassungen.

Was sind die nächsten Schritte für die PDF-Datenextraktion?

IronPDF macht es einfach, PDF-Dokumente in ASP.NET Core und anderen .NET Core-Anwendungen zu lesen, extrahieren, verarbeiten und speichern. Egal ob Sie mit Formularen, Tabellen, einfachem Text oder digitalen Signaturen arbeiten, diese .NET-Bibliothek vereinfacht Aufgaben, die normalerweise Stunden dauern, auf nur wenige Codezeilen. Sie können Ausgaben in HTML , Browser- oder sogar Bildformaten erstellen, konvertieren, darauf zugreifen und sie anzeigen. Die Bibliothek unterstützt die PDF/A-Konformität für die Langzeitarchivierung und die Standards des Abschnitts 508 für Barrierefreiheit.

Bei Produktionsumgebungen empfiehlt sich die Implementierung von Health-Check-Endpunkten zur Überwachung der PDF-Verarbeitungsdienste. Verwenden Sie benutzerdefinierte Protokollierung , um die Extraktionsleistung und Fehler zu verfolgen. Implementieren Sie Wiederholungsstrategien zur Behandlung vorübergehender Fehler in verteilten Systemen. Konfigurieren Sie die Rendering-Optionen für eine optimale Leistung und implementieren Sie Caching-Strategien für häufig aufgerufene Dokumente. Die Bibliothek lässt sich gut in CI/CD-Pipelines integrieren und unterstützt Headless-Rendering für Serverumgebungen.

Starten Sie mit einer kostenlosen Testversion , um die vollen Möglichkeiten von IronPDF in Ihren ASP.NET Core-Projekten zu entdecken. Sie können Ihre PDF-Extraktions-Workflows erstellen und testen, bevor Sie sich zu einer Lizenz verpflichten. Für den Produktionsbereich bietet IronPDF flexible Lizenzoptionen, die sowohl für Einzelentwickler als auch für große Teams geeignet sind. Die Bibliothek unterstützt containerisierte Bereitstellungen und bietet eine vollständige Dokumentation für Teams. Die Verwendung von IronPDF ist eine der schnellsten Möglichkeiten, PDF-Dateien in ASP.NET Core ohne die üblichen Bereitstellungsprobleme zu verarbeiten. Werfen Sie einen Blick in die Schnellstartanleitung für die sofortige Implementierung oder erkunden Sie erweiterte Funktionen wie OCR-Funktionen und Barcode-Generierung für umfassende Dokumentenverarbeitungslösungen.