Extraer datos de PDFs es crucial para ahorrar tiempo en la entrada manual. Este artículo explica cómo los desarrolladores pueden usar la biblioteca IronPDF para extraer texto e imágenes de documentos PDF.

IronPDF: Biblioteca PDF C#

IronPDF es una biblioteca .NET que se puede usar para crear, editar y convertir archivos PDF. Proporciona una API fácil de usar para que los desarrolladores la usen en sus aplicaciones. Es una de las bibliotecas más populares para crear, editar y convertir archivos PDF a nivel mundial. Con IronPDF, puede crear una solución sencilla y rápida para PDFs. Su texto se personalizará para cada documento, su diseño estará configurado para una lectura fácil, y sus gráficos se diseñarán con ayuda del programa .NET que lo acompaña.

La biblioteca IronPDF tiene una característica fantástica para extraer datos de archivos PDF. Este artículo analizará cómo extraer datos usando IronPDF. Primero, se necesita crear o abrir un Proyecto de C#. Pasemos a la siguiente sección.

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

La biblioteca IronPDF se puede instalar de múltiples maneras.

Uso de la consola del gestor de paquetes

• Abra la Consola del Administrador de Paquetes yendo a Herramientas > Administrador de Paquetes NuGet > Consola del Administrador de Paquetes.
• Ejecute el siguiente comando para instalar la biblioteca IronPDF:

Install-Package IronPdf

Progreso de instalación en la pestaña de la Consola del Administrador de Paquetes

Después de la instalación, verá la dependencia IronPDF en la sección dependencies del Explorador de soluciones, como se muestra a continuación.

Referencia del paquete IronPdf en el Explorador de Soluciones

Uso del gestor de paquetes NuGet

Otra forma de instalar la biblioteca IronPDF es utilizando la interfaz del Administrador de Paquetes NuGet integrado de Visual Studio.

• Vaya a las Herramientas desde el menú principal. Pase el cursor sobre "Administrador de Paquetes NuGet" en el menú desplegable y seleccione "Administrar Paquetes NuGet para la Solución...".

Navega al Administrador de Paquetes NuGet

• Esto abrirá la ventana del Administrador de Paquetes NuGet. Vaya a la pestaña Explorar, escriba IronPdf en buscar y presione Enter.
• Seleccione IronPDF de los resultados de la búsqueda y haga clic en el botón "Instalar" para comenzar la instalación.

Instalar el paquete IronPdf desde el Administrador de Paquetes NuGet

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

' 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 cifrado 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.

Conclusión

IronPDF permite a los desarrolladores extraer texto e imágenes de archivos PDF con facilidad. Usando ExtractAllText y ExtractAllImages, se puede extraer instantáneamente todo el contenido de un archivo PDF. Alternativamente, estos métodos pueden usarse para extraer contenido de una página específica. El código anterior demostró cómo usar ambos métodos para leer texto e imágenes de un rango de páginas.

Además, IronPDF ofrece características como renderizar gráficos, agregar códigos de barras, mejorar la seguridad con contraseñas, marca de agua, y gestionar formularios PDF programáticamente.

IronPDF está disponible de forma gratuita durante el desarrollo, requiriéndose pago para uso comercial. Una prueba gratuita de IronPDF está disponible para uso en producción sin pago.

Compre el [conjunto completo de bibliotecas de documentos de Iron Software](Iron Suite) por el costo de dos Licencias Lite de IronPDF.

Descargue IronPDF ahora para comenzar a extraer datos de PDFs hoy mismo!