C# Extraer Texto De PDF (Ejemplo de Código Tutorial)

1. Características de IronPDF

IronPDF es un robusto convertidor de PDF que puede realizar casi cualquier operación que puede hacer un navegador. Crear, leer y manipular documentos PDF es simple con la biblioteca .NET para desarrolladores. IronPDF convierte documentos HTML a PDF utilizando el motor de Chrome. IronPDF soporta componentes web como HTML, ASPX, Razor HTML y MVC View, entre otros. La aplicación Microsoft .NET es compatible con IronPDF (tanto aplicaciones web ASP.NET como aplicaciones Windows tradicionales). IronPDF también puede ser usado para crear un documento PDF visualmente atractivo.

Podemos crear un documento PDF a partir de HTML5, JavaScript, CSS e imágenes con IronPDF. Además, los archivos pueden tener cabeceras y pies de página. Gracias a IronPDF, podemos leer fácilmente un documento PDF. IronPDF también cuenta con un motor de conversión de PDF completo y un potente convertidor HTML a PDF que puede manejar documentos PDF.

• Creación de PDF: Genera PDFs a partir de HTML, JavaScript, CSS, imágenes o URLs. Añade cabeceras, pies de página, marcadores, marcas de agua y otros elementos personalizados para mejorar el diseño.
• Conversión HTML a PDF: Convierte HTML, Razor/MVC Views y archivos CSS de tipo multimedia directamente en formato PDF.
• Características Interactivas de PDF: Crea, rellena y envía formularios PDF interactivos.
• Extracción de Texto e Imágenes: Extrae texto o imágenes de documentos PDF existentes para procesamiento de datos o reutilización.
• Manipulación de Documentos: Fusiona, divide, y reorganiza páginas en archivos PDF nuevos o existentes.
• Manipulación de Imágenes y Páginas: Rastrear páginas PDF a imágenes y convertir imágenes a formato PDF.
• Trabajar con credenciales de inicio de sesión personalizadas: IronPDF es capaz de crear un documento desde una URL. También soporta credenciales de red personalizadas, agentes de usuario, proxies, cookies, encabezados HTTP y variables de formulario para inicios de sesión detrás de formularios HTML de inicio de sesión.
• Búsqueda y Accesibilidad: Busca texto dentro de documentos PDF y asegúrate de que cumplan con los estándares de accesibilidad.
• Versatilidad de Conversión: Transforma PDFs en otros formatos como HTML y trabaja con archivos CSS para generar PDFs.
• Funcionalidad Independiente: Opera independientemente sin requerir Adobe Acrobat u otras herramientas de terceros adicionales.

2. Creación de un nuevo proyecto en Visual Studio

Abre el software Visual Studio y ve al menú de Archivo. Selecciona "Nuevo Proyecto" y luego selecciona "Aplicación de Consola". En este artículo, vamos a usar una aplicación de consola para generar documentos PDF.

Crea un nuevo proyecto en Visual Studio

Introduce el nombre del proyecto y selecciona la ruta de archivo en el cuadro de texto apropiado. Luego, haz clic en el botón Crear y selecciona el .NET Framework requerido, como en la captura de pantalla a continuación.

Configura nuevo proyecto en Visual Studio

El proyecto de Visual Studio ahora generará la estructura para la aplicación seleccionada, y si has seleccionado la consola, Windows, y Aplicación Web, abrirá el archivo program.cs donde puedes ingresar el código y construir/ejecutar la aplicación.

Seleccionar .NET Core

A continuación, podemos añadir la biblioteca para probar el código.

3. Instalar la biblioteca IronPDF

La Biblioteca IronPDF se puede descargar e instalar de cuatro maneras.

Estas son:

• Usando Visual Studio.
• Usando la línea de comandos de Visual Studio.
• Descarga directa desde el sitio web de NuGet.
• Descarga directa desde el sitio web de IronPDF.

Install-Package IronPdf

4. Extraer texto con IronPDF

El programa IronPDF nos permite realizar la extracción de texto del archivo PDF y convertir páginas PDF en objetos PDF. El siguiente es un ejemplo de cómo usar IronPDF para leer un PDF existente.

El primer enfoque es extraer texto de un PDF y el fragmento de código de ejemplo está a continuación.

using IronPdf;

// Load an existing PDF document from a file
var pdfDocument = PdfDocument.FromFile("result.pdf");

// Extract all text from the entire PDF document
string allText = pdfDocument.ExtractAllText();

using IronPdf;

// Load an existing PDF document from a file
var pdfDocument = PdfDocument.FromFile("result.pdf");

// Extract all text from the entire PDF document
string allText = pdfDocument.ExtractAllText();

Imports IronPdf

' Load an existing PDF document from a file
Private pdfDocument = PdfDocument.FromFile("result.pdf")

' Extract all text from the entire PDF document
Private allText As String = pdfDocument.ExtractAllText()

El método estático FromFile se utiliza para cargar el documento PDF desde un archivo existente y transformarlo en objetos PDFDocument, como se muestra en el código anterior. Podemos leer el texto y las imágenes accesibles en las páginas PDF usando este objeto. El objeto tiene un método llamado ExtractAllText que extrae todo el texto de todo el documento PDF, luego guarda el texto extraído en la cadena que podemos utilizar para el procesamiento.

A continuación se muestra el ejemplo de código para el segundo método que podemos utilizar para extraer texto de un archivo PDF, página por página.

using IronPdf;

// Load an existing PDF document from a file
using PdfDocument pdf = PdfDocument.FromFile("result.pdf");

// Loop through each page of the PDF document
for (var index = 0; index < pdf.PageCount; index++)
{
    // Extract text from the current page
    string text = pdf.ExtractTextFromPage(index);
}

using IronPdf;

// Load an existing PDF document from a file
using PdfDocument pdf = PdfDocument.FromFile("result.pdf");

// Loop through each page of the PDF document
for (var index = 0; index < pdf.PageCount; index++)
{
    // Extract text from the current page
    string text = pdf.ExtractTextFromPage(index);
}

Imports IronPdf

' Load an existing PDF document from a file
Private PdfDocument As using

' Loop through each page of the PDF document
For index = 0 To pdf.PageCount - 1
	' Extract text from the current page
	Dim text As String = pdf.ExtractTextFromPage(index)
Next index

En el código anterior, vemos que primero cargará todo el documento PDF y lo convertirá en un objeto PDF. Luego, obtenemos el recuento de páginas de todo el documento PDF utilizando una propiedad incorporada llamada PageCount, que recupera el número total de páginas disponibles en el documento PDF cargado. Utilizando el "bucle for" y la función ExtractTextFromPage nos permite pasar el número de página como un parámetro para extraer texto del documento cargado. Luego mantendrá el texto exacto en la variable de cadena. Asimismo, extraerá texto del PDF página por página con la ayuda del "for" o el "for each" loop.

5. Conclusión

IronPDF es una biblioteca PDF versátil y potente diseñada para hacer que trabajar con PDFs en aplicaciones .NET sea sin problemas. Sus características robustas permiten a los desarrolladores crear, manipular y extraer contenido de PDFs sin depender de dependencias de terceros como Adobe Reader. Una de las capacidades destacadas de IronPDF es su capacidad para extraer texto de documentos PDF. Esta característica es invaluable para automatizar tareas como análisis de datos, indexación de documentos, migración de contenido y habilitación de funciones de accesibilidad. Al permitir que los desarrolladores recuperen y procesen texto de manera programática, IronPDF simplifica los flujos de trabajo y abre nuevas posibilidades para manejar contenido PDF.

Con integración sencilla y soporte multiplataforma, IronPDF es una excelente opción para desarrolladores que buscan manejar documentos PDF de manera eficiente. Además, IronPDF ofrece una prueba gratuita, permitiéndote explorar su gama completa de características sin riesgo antes de comprometerte. Para obtener detalles de precios y conocer más sobre las opciones de licencia, visita la página de precios.