How to Extract Embedded Text and Images from PDFs

Text-Extraktionsbeispiel

Textextraktion kann sowohl bei neu gerenderten als auch bei vorhandenen PDF-Dokumenten durchgeführt werden. Verwenden Sie die ExtractAllText-Methode, um den eingebetteten Text aus dem Dokument zu extrahieren. Die Methode gibt eine Zeichenkette zurück, die den gesamten Text im angegebenen PDF enthält. Seiten werden durch vier aufeinanderfolgende neue Zeilenzeichen getrennt. Lassen Sie uns ein Beispiel-PDF verwenden, das ich von der Wikipedia-Website gerendert habe.

:path=/static-assets/pdf/content-code-examples/how-to/extract-text-and-images-extract-text.cs

using IronPdf;
using System.IO;

PdfDocument pdf = PdfDocument.FromFile("sample.pdf");

// Extract text
string text = pdf.ExtractAllText();

// Export the extracted text to a text file
File.WriteAllText("extractedText.txt", text);

Imports IronPdf
Imports System.IO

Private pdf As PdfDocument = PdfDocument.FromFile("sample.pdf")

' Extract text
Private text As String = pdf.ExtractAllText()

' Export the extracted text to a text file
File.WriteAllText("extractedText.txt", text)

class="content-img-align-center">

class="center-image-wrapper">

Text nach Zeile und Zeichen extrahieren

Innerhalb jeder PDF-Seite ist es möglich, die Koordinaten von Textzeilen und Zeichen abzurufen. Wählen Sie zuerst eine Seite aus dem PDF aus und greifen Sie auf die Eigenschaften Lines und Characters zu. Die Koordinaten sind als Oben, Rechts, Unten und Links-Werte angeordnet, die die Position des Textes darstellen.

:path=/static-assets/pdf/content-code-examples/how-to/extract-text-and-images-extract-text-by-line-character.cs

using IronPdf;
using System.IO;
using System.Linq;

// Open PDF from file
PdfDocument pdf = PdfDocument.FromFile("sample.pdf");

// Extract text by lines
var lines = pdf.Pages[0].Lines;

// Extract text by characters
var characters = pdf.Pages[0].Characters;

File.WriteAllLines("lines.txt", lines.Select(l => $"at Y={l.BoundingBox.Bottom:F2}: {l.Contents}"));

Imports IronPdf
Imports System.IO
Imports System.Linq

' Open PDF from file
Private pdf As PdfDocument = PdfDocument.FromFile("sample.pdf")

' Extract text by lines
Private lines = pdf.Pages(0).Lines

' Extract text by characters
Private characters = pdf.Pages(0).Characters

File.WriteAllLines("lines.txt", lines.Select(Function(l) $"at Y={l.BoundingBox.Bottom:F2}: {l.Contents}"))

$vbLabelText   $csharpLabel

class="content-img-align-center">

class="center-image-wrapper">

---

Bilder extrahieren Beispiel

Verwenden Sie die ExtractAllImages-Methode, um alle im Dokument eingebetteten Bilder zu extrahieren. Die Methode gibt die Bilder als Liste von AnyBitmap-Objekten zurück. Unter Verwendung desselben Dokuments aus unserem vorherigen Beispiel haben wir die Bilder extrahiert und in den 'images'-Ordner exportiert.

:path=/static-assets/pdf/content-code-examples/how-to/extract-text-and-images-extract-image.cs

using IronPdf;

PdfDocument pdf = PdfDocument.FromFile("sample.pdf");

// Extract images
var images = pdf.ExtractAllImages();

for(int i = 0; i < images.Count; i++)
{
    // Export the extracted images
    images[i].SaveAs($"images/image{i}.png");
}

Imports IronPdf

Private pdf As PdfDocument = PdfDocument.FromFile("sample.pdf")

' Extract images
Private images = pdf.ExtractAllImages()

For i As Integer = 0 To images.Count - 1
	' Export the extracted images
	images(i).SaveAs($"images/image{i}.png")
Next i

class="content-img-align-center">

class="center-image-wrapper">

Zusätzlich zu der oben gezeigten ExtractAllImages-Methode kann der Benutzer die Methoden ExtractAllBitmaps und ExtractAllRawImages verwenden, um Bildinformationen aus dem Dokument zu extrahieren. Während die ExtractAllBitmaps-Methode eine Liste von AnyBitmap zurückgibt, extrahiert die ExtractAllRawImages-Methode alle Bilder aus einem PDF-Dokument und gibt sie als Rohdaten in Form von Byte-Arrays (byte[]) zurück.

Text und Bilder auf bestimmten Seiten extrahieren

Sowohl Text- als auch Bilderextraktion kann auf einer einzelnen oder mehreren angegebenen Seiten durchgeführt werden. Verwenden Sie die Methoden ExtractTextFromPage und ExtractTextFromPages, um Text von einer einzelnen Seite oder mehreren Seiten respektive zu extrahieren. Zum Extrahieren von Bildern verwenden Sie die Methoden ExtractImagesFromPage und ExtractImagesFromPages.

:path=/static-assets/pdf/content-code-examples/how-to/extract-text-and-images-extract-text-single-multiple.cs

using IronPdf;

PdfDocument pdf = PdfDocument.FromFile("sample.pdf");

// Extract text from page 1
string textFromPage1 = pdf.ExtractTextFromPage(0);

int[] pages = new[] { 0, 2 };

// Extract text from pages 1 & 3
string textFromPage1_3 = pdf.ExtractTextFromPages(pages);

Imports IronPdf

Private pdf As PdfDocument = PdfDocument.FromFile("sample.pdf")

' Extract text from page 1
Private textFromPage1 As String = pdf.ExtractTextFromPage(0)

Private pages() As Integer = { 0, 2 }

' Extract text from pages 1 & 3
Private textFromPage1_3 As String = pdf.ExtractTextFromPages(pages)