Cómo Leer Datos de un PDF en ASP.NET Core

¿Cómo se configura IronPDF en ASP.NET Core?

Empezar a usar IronPDF en tu proyecto ASP.NET Core lleva solo unos minutos. Instala el paquete NuGet de IronPDF a través de la Consola del Administrador de Paquetes NuGet con el siguiente comando:

Install-Package IronPdf

O a través de la CLI de .NET:

dotnet add package IronPdf

Una vez instalado, añade el espacio de nombres IronPDF a tu clase Program, controlador o servicios:

using IronPdf;

using IronPdf;

Imports IronPdf

Para opciones detalladas de instalación, incluyendo despliegue en Docker, configuración en Azure y más información, consulta la documentación completa.

¿Cómo se puede extraer texto de archivos PDF?

El método ExtractAllText de IronPDF proporciona acceso instantáneo a todo el contenido de texto dentro de un documento PDF. Este método maneja varias codificaciones de texto y mantiene el orden de lectura del documento original, asegurando una extracción precisa de datos de archivos PDF en aplicaciones ASP.NET Core.

// Load a PDF document
var pdf = PdfDocument.FromFile("document.pdf");
// Extract all text
string allText = pdf.ExtractAllText();
// Extract text from specific page (0-indexed)
string pageText = pdf.ExtractTextFromPage(0); // current page

// Load a PDF document
var pdf = PdfDocument.FromFile("document.pdf");
// Extract all text
string allText = pdf.ExtractAllText();
// Extract text from specific page (0-indexed)
string pageText = pdf.ExtractTextFromPage(0); // current page

IRON VB CONVERTER ERROR developers@ironsoftware.com

El método ExtractAllText devuelve una cadena que contiene todo el texto legible del PDF, preservando los saltos de línea y espacios. Para extracción específica de páginas, ExtractTextFromPage permite dirigir páginas individuales usando indexación basada en cero. Este enfoque funciona sin problemas con PDFs encriptados cuando proporcionas la contraseña correcta.

Aquí tienes una implementación práctica de un controlador ASP.NET Core que demuestra cómo leer datos de archivos PDF usando este PDF:

[ApiController]
[Route("api/[controller]")]
public class PdfController : ControllerBase
{
    [HttpPost("extract-text")]
    public IActionResult ExtractText(IFormFile pdfFile)
    {
        using var stream = new MemoryStream();
        pdfFile.CopyTo(stream);
        var pdf = new PdfDocument(stream.ToArray());
        var extractedText = pdf.ExtractAllText();
        return Ok(new { text = extractedText });
    }
}

[ApiController]
[Route("api/[controller]")]
public class PdfController : ControllerBase
{
    [HttpPost("extract-text")]
    public IActionResult ExtractText(IFormFile pdfFile)
    {
        using var stream = new MemoryStream();
        pdfFile.CopyTo(stream);
        var pdf = new PdfDocument(stream.ToArray());
        var extractedText = pdf.ExtractAllText();
        return Ok(new { text = extractedText });
    }
}

IRON VB CONVERTER ERROR developers@ironsoftware.com

¿Cómo se leen los datos de un formulario PDF?

Los formularios PDF contienen campos interactivos que los usuarios completan. IronPDF simplifica la extracción de estos datos de formularios a través de su completa API de formularios, compatible con todos los tipos de campo estándar AcroForm. Puedes extraer fácilmente todos los datos de los campos de formulario, incluidos cuadros de texto, casillas de verificación y detalles de tipo de contenido.

La respuesta luego se puede guardar en una base de datos, devolver al usuario o integrar en el flujo de trabajo de tu aplicación ASP.NET. El siguiente código demuestra cómo hacer justo esto:

[HttpPost("extract-form")]
        public IActionResult ExtractForm([FromForm] IFormFile pdfFile)
        {
            if (pdfFile == null || pdfFile.Length == 0)
            {
                return BadRequest("No PDF file uploaded.");
            }
            using var stream = new MemoryStream();
            pdfFile.CopyTo(stream);
            var pdf = new PdfDocument(stream.ToArray());
            var formData = new Dictionary<string, string>();
            if (pdf.Form != null)
            {
                foreach (var field in pdf.Form)
                {
                    formData[field.Name] = field.Value;
                }
            }
            return Ok(new { formFields = formData });
        }

[HttpPost("extract-form")]
        public IActionResult ExtractForm([FromForm] IFormFile pdfFile)
        {
            if (pdfFile == null || pdfFile.Length == 0)
            {
                return BadRequest("No PDF file uploaded.");
            }
            using var stream = new MemoryStream();
            pdfFile.CopyTo(stream);
            var pdf = new PdfDocument(stream.ToArray());
            var formData = new Dictionary<string, string>();
            if (pdf.Form != null)
            {
                foreach (var field in pdf.Form)
                {
                    formData[field.Name] = field.Value;
                }
            }
            return Ok(new { formFields = formData });
        }

IRON VB CONVERTER ERROR developers@ironsoftware.com

El punto final ExtractForm usa la propiedad Form de PdfDocument para leer campos interactivos de un PDF subido. Cada campo tiene un Nombre y un Valor, que se recogen en un diccionario y se devuelven como JSON. Esto facilita la captura de datos de cuadros de texto, casillas de verificación y otras entradas, permitiendo que las presentaciones de formularios PDF se procesen y se integren directamente en tus aplicaciones o bases de datos.

¿Cómo se pueden extraer datos de tablas de documentos PDF?

Las tablas en PDFs son básicamente texto formateado, requiriendo lógica de análisis para extraer datos estructurados. IronPDF extrae el texto preservando el espaciado, que luego puedes analizar para leer datos de archivos PDF en ASP.NET:

[HttpPost("extract-table")]
public IActionResult ExtractTable([FromForm] IFormFile pdfFile)
{
    if (pdfFile == null || pdfFile.Length == 0)
        return BadRequest("No PDF file uploaded.");
    using var memoryStream = new MemoryStream();
    pdfFile.CopyTo(memoryStream);
    // Load PDF from byte array
    var pdf = new PdfDocument(memoryStream.ToArray());
    // Extract all text
    string text = pdf.ExtractAllText();
    // Split text into lines (rows)
    string[] lines = text.Split(new[] { '\r', '\n' }, StringSplitOptions.RemoveEmptyEntries);
    var tableData = new List<string[]>();
    foreach (string line in lines)
    {
        // Split line into columns using tab character
        string[] columns = line
            .Split('\t')
            .Where(c => !string.IsNullOrWhiteSpace(c))
            .ToArray();
        if (columns.Length > 0)
            tableData.Add(columns);
    }
    var table = tableData.Select(r => string.Join(" | ", r)).ToList();
    return Ok(new { Table = table });
}

[HttpPost("extract-table")]
public IActionResult ExtractTable([FromForm] IFormFile pdfFile)
{
    if (pdfFile == null || pdfFile.Length == 0)
        return BadRequest("No PDF file uploaded.");
    using var memoryStream = new MemoryStream();
    pdfFile.CopyTo(memoryStream);
    // Load PDF from byte array
    var pdf = new PdfDocument(memoryStream.ToArray());
    // Extract all text
    string text = pdf.ExtractAllText();
    // Split text into lines (rows)
    string[] lines = text.Split(new[] { '\r', '\n' }, StringSplitOptions.RemoveEmptyEntries);
    var tableData = new List<string[]>();
    foreach (string line in lines)
    {
        // Split line into columns using tab character
        string[] columns = line
            .Split('\t')
            .Where(c => !string.IsNullOrWhiteSpace(c))
            .ToArray();
        if (columns.Length > 0)
            tableData.Add(columns);
    }
    var table = tableData.Select(r => string.Join(" | ", r)).ToList();
    return Ok(new { Table = table });
}

IRON VB CONVERTER ERROR developers@ironsoftware.com

Este código extrae texto y lo divide en posibles filas de tabla basándose en patrones de espaciado. Para tablas más complejas, es posible que necesites identificar límites de tabla usando palabras clave o implementar lógica de análisis más sofisticada según la estructura específica de tu PDF.

Esta salida se puede descargar, mostrar en el navegador o procesar para obtener información adicional. Puedes integrar formato CSS o renderizado de cadena HTML para mostrar tablas dinámicamente en tu solución.

¿Cómo se gestionan los archivos PDF cargados en ASP.NET Core?

Procesar PDFs subidos requiere convertir el IFormFile a un formato que IronPDF pueda leer. Este enfoque funciona sin problemas con Razor Pages y controladores MVC:

[HttpPost("process-upload")]
        public async Task<IActionResult> ProcessPdf([FromForm] IFormFile file)
        {
            if (file == null || file.Length == 0)
                return BadRequest("No PDF file uploaded.");
            using var ms = new MemoryStream();
            await file.CopyToAsync(ms);
            // Load PDF from byte array
            var pdf = new PdfDocument(ms.ToArray());
            // Extract text and page count
            var text = pdf.ExtractAllText();
            var pageCount = pdf.PageCount;
            return Ok(new
            {
                text = text,
                pages = pageCount
            });
        }

[HttpPost("process-upload")]
        public async Task<IActionResult> ProcessPdf([FromForm] IFormFile file)
        {
            if (file == null || file.Length == 0)
                return BadRequest("No PDF file uploaded.");
            using var ms = new MemoryStream();
            await file.CopyToAsync(ms);
            // Load PDF from byte array
            var pdf = new PdfDocument(ms.ToArray());
            // Extract text and page count
            var text = pdf.ExtractAllText();
            var pageCount = pdf.PageCount;
            return Ok(new
            {
                text = text,
                pages = pageCount
            });
        }

IRON VB CONVERTER ERROR developers@ironsoftware.com

Esta tarea asincrónica asegura un procesamiento no bloqueante y funciona con el objeto sender, eventargs e, y bibliotecas estándar de .NET. Usa ReturnFile con encabezados Content-Disposition para permitir que los usuarios descarguen archivos PDF procesados de forma segura. Para mayor seguridad, considera implementar validación de archivos antes de procesar.

Conclusión

IronPDF facilita leer, extraer, procesar y guardar documentos PDF en ASP.NET Core y otras aplicaciones .NET Core. Ya sea que estés trabajando con formularios, tablas, texto simple o firmas digitales, esta biblioteca .NET simplifica tareas que normalmente llevan horas en solo unas pocas líneas de código. Puedes crear, convertir, acceder y mostrar salidas en HTML, navegador o incluso formatos de imagen.

Comienza con una prueba gratuita para explorar todas las capacidades de IronPDF en tu ASP.NET Core. Puedes construir y probar tus flujos de trabajo de extracción de PDF antes de comprometerte con una licencia. Para producción, IronPDF ofrece opciones flexibles adecuadas para desarrolladores en solitario o soluciones grandes. Honestamente, usar IronPDF es una de las formas más rápidas que he encontrado para manejar archivos PDF en ASP.NET Core sin las molestias habituales.