Extraer Texto De PDF en C# Usando iTextSharp VS IronPDF

Extraer texto de archivos PDF con IronPDF

Una vez instalado, extraer texto es sencillo:

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);

Nota: Este método lee el archivo PDF completo y devuelve el texto en orden de lectura, ahorrando horas de tiempo de análisis en comparación con bibliotecas tradicionales.

No hay necesidad de manejar codificaciones, streams de contenido o análisis manuales. IronPDF maneja todo internamente, proporcionando una salida limpia y precisa con una configuración mínima. Luego podría guardar fácilmente el texto extraído en un nuevo archivo de texto para su posterior manipulación o uso.

Extraer texto de documentos PDF con iTextSharp

Aquí hay un ejemplo para extraer texto de una sola página PDF:

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);
}

Este ejemplo demuestra la capacidad de iTextSharp, pero note la verbosidad y objetos adicionales requeridos para realizar una tarea sencilla.

Ejemplo avanzado: Extracción de texto de un intervalo de páginas con IronPDF

IronPDF soporta un control granular sobre la selección de páginas y la extracción de texto consciente del diseño.

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);

Ejemplo avanzado: Extracción de texto de un intervalo de páginas con iTextSharp

En iTextSharp, necesitará especificar manualmente el rango de páginas y extraer texto usando PdfTextExtractor:

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();

Resumen de la comparación de códigos

Tanto IronPDF como iTextSharp son capaces de una extracción avanzada de texto PDF, pero sus enfoques difieren significativamente en complejidad y claridad:

• IronPDF mantiene las cosas limpias y accesibles. Sus métodos de alto nivel como PdfDocument.ExtractAllText() le permiten extraer contenido estructurado con configuración mínima. El código es directo, lo que facilita su implementación incluso para desarrolladores nuevos en el procesamiento de PDF.

• iTextSharp, por otro lado, requiere un entendimiento más profundo de la estructura PDF. La extracción de texto implica configurar renderizadores personalizados, gestionar páginas manualmente e interpretar datos de diseño línea por línea. Si bien es poderoso, es más verboso y menos intuitivo, haciendo de IronPDF una opción más rápida y mantenible para la mayoría de los proyectos .NET.

Pero nuestra comparación no termina aquí. A continuación, veamos cómo se comparan estas dos bibliotecas en otras áreas.

1. Facilidad de uso

IronPDF: API Limpia y Moderna

IronPDF enfatiza la experiencia del desarrollador. La instalación es fácil a través de NuGet, y la sintaxis es intuitiva:

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);

IronPDF abstrae la complejidad detrás de simples llamadas a métodos como ExtractAllText(), sin necesidad de lógica de análisis o preliminares.

iTextSharp: Más Verboso y de Nivel Inferior

iTextSharp requiere un análisis manual de cada página y más esfuerzo para extraer texto plano.

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());

Los desarrolladores deben recorrer manualmente las páginas, lo que introduce más código y potencial de errores si surgen casos excepcionales.

2. Rendimiento y fiabilidad

• IronPDF está construido sobre un motor de renderizado moderno (Chromium), lo que lo hace adecuadamente adaptado para PDFs modernos, incluso aquellos con fuentes incrustadas, texto rotado y múltiples diseños. La extracción de texto está consciente del diseño y preserva los espacios de forma más natural.

• iTextSharp, aunque poderoso, puede tener dificultades con formatos complejos. Los archivos PDF con orientación mixta o codificaciones no estándar pueden producir texto incompleto o desordenado.

3. Costes y licencias

4. Soporte y documentación para desarrolladores

• IronPDF: viene con documentación moderna, tutoriales en vídeo y soporte rápido basado en tickets.

• iTextSharp: buena documentación, pero soporte gratuito limitado a menos que seas un cliente pago.

5. Resumen de la biblioteca