Cómo Extraer Datos de PDF en C#

Crear o abrir un proyecto C# en Visual Studio

Este tutorial recomienda usar la última versión de Visual Studio.

Una vez que Visual Studio está abierto, siga los pasos a continuación para crear un nuevo Proyecto de C#. Si hay un proyecto existente que desea usar, entonces salte estos pasos siguientes y continúe directamente a la siguiente sección.

• Abra Visual Studio
• Haga clic en el botón "Crear un nuevo proyecto".

Interfaz de apertura de Visual Studio

• Seleccione la "Aplicación de Consola de C#" de las plantillas.

Crear un nuevo proyecto

• Asigne un nombre al Proyecto y haga clic en el botón Siguiente.
• Seleccione un .NET Framework según los requisitos de su proyecto y haga clic en el botón Crear.

Selección del Framework .NET

Visual Studio ahora generará un nuevo proyecto .NET de C#.

Instalar la biblioteca IronPDF

Install-Package IronPdf

Extraer datos de archivos PDF

Echemos un vistazo al siguiente código sobre cómo extraer datos usando IronPDF:

// Import necessary namespaces
using IronPdf;
using System.Collections.Generic;
using System.Drawing;

public class PDFExtractor
{
    public void ExtractDataFromPDF()
    {
        // Open a 128-bit encrypted PDF file by providing the filename and password
        using PdfDocument pdf = PdfDocument.FromFile("encrypted.pdf", "password");

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

        // Extract all images from the PDF document
        IEnumerable<Image> allImages = pdf.ExtractAllImages();

        // Iterate over each page in the PDF document
        for (var index = 0; index < pdf.PageCount; index++)
        {
            int pageNumber = index + 1;

            // Extract text from the specific page
            string text = pdf.ExtractTextFromPage(index);

            // Extract images from the specific page
            IEnumerable<Image> images = pdf.ExtractImagesFromPage(index);

            // Code to process the extracted text and images
            //...
        }
    }
}

// Import necessary namespaces
using IronPdf;
using System.Collections.Generic;
using System.Drawing;

public class PDFExtractor
{
    public void ExtractDataFromPDF()
    {
        // Open a 128-bit encrypted PDF file by providing the filename and password
        using PdfDocument pdf = PdfDocument.FromFile("encrypted.pdf", "password");

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

        // Extract all images from the PDF document
        IEnumerable<Image> allImages = pdf.ExtractAllImages();

        // Iterate over each page in the PDF document
        for (var index = 0; index < pdf.PageCount; index++)
        {
            int pageNumber = index + 1;

            // Extract text from the specific page
            string text = pdf.ExtractTextFromPage(index);

            // Extract images from the specific page
            IEnumerable<Image> images = pdf.ExtractImagesFromPage(index);

            // Code to process the extracted text and images
            //...
        }
    }
}

' Import necessary namespaces
Imports IronPdf
Imports System.Collections.Generic
Imports System.Drawing

Public Class PDFExtractor
	Public Sub ExtractDataFromPDF()
		' Open a 128-bit encrypted PDF file by providing the filename and password
		Using pdf As PdfDocument = PdfDocument.FromFile("encrypted.pdf", "password")
	
			' Extract all text from the PDF document
			Dim allText As String = pdf.ExtractAllText()
	
			' Extract all images from the PDF document
			Dim allImages As IEnumerable(Of Image) = pdf.ExtractAllImages()
	
			' Iterate over each page in the PDF document
			For index = 0 To pdf.PageCount - 1
				Dim pageNumber As Integer = index + 1
	
				' Extract text from the specific page
				Dim text As String = pdf.ExtractTextFromPage(index)
	
				' Extract images from the specific page
				Dim images As IEnumerable(Of Image) = pdf.ExtractImagesFromPage(index)
	
				' Code to process the extracted text and images
				'...
			Next index
		End Using
	End Sub
End Class

En este ejemplo de código:

1. El método FromFile se utiliza para cargar el documento PDF de entrada, que está encriptado y requiere una contraseña.
2. El método ExtractAllText extrae todo el contenido textual del PDF.
3. El método ExtractAllImages recupera todas las imágenes incrustadas.
4. Un bucle itera sobre cada página del documento para extraer texto e imágenes de esa página específica usando ExtractTextFromPage y ExtractImagesFromPage.