Cómo extraer datos de un PDF en C#

Introducción

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

IronPDF: Biblioteca PDF C

IronPDF es una biblioteca .NET que puede utilizarse para crear, editar y convertir archivos PDF. Proporciona una API fácil de usar para que los desarrolladores la utilicen en sus aplicaciones. Es una de las bibliotecas más populares para crear, editar y convertir archivos PDF en todo el mundo. Con IronPDF, puede crear una solución sencilla y rápida para PDF. Su texto será personalizado para cada documento, tu diseño se configurará para facilitar su lectura, y sus gráficos se diseñarán con ayuda del programa .NET que lo acompaña.

La biblioteca IronPDF tiene una función fantástica para extraer datos de archivos PDF. En este artículo se explica cómo extraer datos con IronPDF. En primer lugar, es necesario crear o abrir un proyecto C#. Pasemos a la siguiente sección.

Crear o abrir un proyecto C# en Visual Studio

Este tutorial recomienda utilizar la última versión de Visual Studio.

Una vez abierto Visual Studio, siga los pasos que se indican a continuación para crear un nuevo proyecto C#. Si ya existe un proyecto que desea utilizar, omita estos pasos y pase directamente a la siguiente sección.

• Abrir Visual Studio

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

  

  UI de apertura de Visual Studio

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

  

  Crear un nuevo proyecto

• Dé un nombre al Proyecto y haga clic en el botón Siguiente.

• Seleccione s .NET Framework de acuerdo con los requisitos de su proyecto y haga clic en el botón Crear.

  

  Selección del marco .NET

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

Instalar la biblioteca IronPDF

La biblioteca IronPDF puede instalarse de varias formas.

Uso de la consola del gestor de paquetes

• Abra la consola del gestor de paquetes accediendo a Herramientas > Gestor de paquetes NuGet > Consola del gestor de paquetes.
• Ejecute el siguiente comando:

Install-Package IronPdf

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

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

Consulte el paquete IronPdf en el Explorador de soluciones.

Uso del gestor de paquetes NuGet

Otra forma de instalar la biblioteca IronPDF es utilizando la interfaz de usuario integrada del gestor de paquetes NuGet de Visual Studio.

• Vaya a Herramientas desde el menú principal. Pase el ratón sobre "NuGet Package Manager" en el menú desplegable y seleccione la "Solución NuGet Package Manager".

  

  Navegue hasta el Gestor de paquetes NuGet.

• Se abrirá la ventana del Gestor de paquetes NuGet. Ve a la pestaña Examinar, escribe IronPdf en buscar y pulsa Intro.

• Seleccione IronPDF en los resultados de la búsqueda y haga clic en el botón "Instalar" para comenzar la instalación.

  

  Instalar el paquete IronPdf desde el gestor de paquetes NuGet

Extraer datos de archivos PDF

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

//Convertir documentos PDF en imágenes o miniaturas
using IronPdf;
using System.Drawing;

//    Extracción de contenido de imagen y texto de documentos Pdf

//  abrir un PDF encriptado a 128 bits
using PdfDocument pdf = PdfDocument.FromFile("encrypted.pdf", "password");

//Obtener todo el texto para ponerlo en un índice de búsqueda
string AllText = pdf.ExtractAllText();

//Obtener todas las imágenes
IEnumerable<System.Drawing.Image> AllImages = pdf.ExtractAllImages();

//O incluso encontrar el texto y las imágenes precisas para cada página del documento
for (var index = 0; index < pdf.PageCount; index++) {
    int PageNumber = index + 1;
    string Text = pdf.ExtractTextFromPage(index);
    IEnumerable<System.Drawing.Image> Images = pdf.ExtractImagesFromPage(index);
    ///...
}

//Convertir documentos PDF en imágenes o miniaturas
using IronPdf;
using System.Drawing;

//    Extracción de contenido de imagen y texto de documentos Pdf

//  abrir un PDF encriptado a 128 bits
using PdfDocument pdf = PdfDocument.FromFile("encrypted.pdf", "password");

//Obtener todo el texto para ponerlo en un índice de búsqueda
string AllText = pdf.ExtractAllText();

//Obtener todas las imágenes
IEnumerable<System.Drawing.Image> AllImages = pdf.ExtractAllImages();

//O incluso encontrar el texto y las imágenes precisas para cada página del documento
for (var index = 0; index < pdf.PageCount; index++) {
    int PageNumber = index + 1;
    string Text = pdf.ExtractTextFromPage(index);
    IEnumerable<System.Drawing.Image> Images = pdf.ExtractImagesFromPage(index);
    ///...
}

'Convertir documentos PDF en imágenes o miniaturas
Imports IronPdf
Imports System.Drawing

'    Extracción de contenido de imagen y texto de documentos Pdf

'  abrir un PDF encriptado a 128 bits
Private PdfDocument As using

'Obtener todo el texto para ponerlo en un índice de búsqueda
Private AllText As String = pdf.ExtractAllText()

'Obtener todas las imágenes
Private AllImages As IEnumerable(Of System.Drawing.Image) = pdf.ExtractAllImages()

'O incluso encontrar el texto y las imágenes precisas para cada página del documento
For index = 0 To pdf.PageCount - 1
	Dim PageNumber As Integer = index + 1
	Dim Text As String = pdf.ExtractTextFromPage(index)
	Dim Images As IEnumerable(Of System.Drawing.Image) = pdf.ExtractImagesFromPage(index)
	'''...
Next index

En primer lugar, el DesdeArchivo se utiliza para cargar el documento PDF de entrada en el programa. Se proporciona un archivo PDF encriptado, necesitando una contraseña para acceder al archivo. A continuación, se extraen los datos de texto mediante la función ExtraerTodoTexto para extraer todos los datos de texto en una variable String. A partir de aquí, PdfDocument ofrece muchas funcionalidades: imprimirlo como texto sin formato volcarlo en un archivo TXT, almacenarlo en una base de datos, etc.

IronPDF puede extraer texto de tablas PDF para su inclusión en uno o varios Archivos CSV.

La línea 11 utiliza el Extraer todas las imágenes para extraer todas las imágenes incrustadas del documento PDF.

IronPDF también puede extraer contenido de páginas PDF específicas. Las líneas de código restantes del ejemplo anterior muestran cómo utilizar la función ExtraerTextoDePágina y ExtraerImágenesDePágina para obtener el texto y las imágenes de un subconjunto de páginas. Ambos métodos aceptan un argumento entero que representa el índice de base cero de la página deseada.

Conclusión

IronPDF permite a los desarrolladores extraer texto e imágenes de archivos PDF en tan sólo una línea de código, utilizando ExtractAllText y ExtractAllImages para extraer todo el contenido de un archivo PDF al instante. Alternativamente, si llama a ExtractAllImage o ExtractAllText obtendrá el texto y las imágenes de una página PDF en concreto. El código de ejemplo anterior mostraba cómo utilizar ambos métodos para leer texto e imágenes de una serie de páginas.

Además, IronPDF también es capaz de representación de gráficos en PDF, añadir códigos de barras, mejorar la seguridad con contraseñas y marca de agua e incluso gestión de formularios PDF mediante programación.

IronPDF es completamente gratuito para el desarrollo. Aunque para el uso comercial es necesario pagar, puede acceder al prueba gratuita para la producción sin ningún pago.

Comprar el suite completa de las bibliotecas de documentos de Iron Software por el precio de dos Licencias ironPDF Lite.

Descargar IronPDF para empezar a extraer datos de PDF hoy mismo!