Cómo Extraer Datos de un PDF en .NET

Introducción a IronPDF

Instalar IronPDF lleva segundos a través del Administrador de Paquetes NuGet. Abre tu Consola del Administrador de Paquetes y ejecuta:

Install-Package IronPdf

Una vez instalado, puedes empezar de inmediato a procesar documentos PDF de entrada. Aquí tienes un ejemplo mínimo de .NET que demuestra la simplicidad del API de IronPDF:

using IronPdf;
// Load any PDF document
var pdf = PdfDocument.FromFile("document.pdf");
// Extract all text with one line
string allText = pdf.ExtractAllText();
Console.WriteLine(allText);

using IronPdf;
// Load any PDF document
var pdf = PdfDocument.FromFile("document.pdf");
// Extract all text with one line
string allText = pdf.ExtractAllText();
Console.WriteLine(allText);

IRON VB CONVERTER ERROR developers@ironsoftware.com

Este código carga un PDF y extrae cada parte de texto. IronPDF maneja automáticamente estructuras complejas de PDF, datos de formularios y codificaciones que típicamente causan problemas con otras bibliotecas. Los datos extraídos de documentos PDF pueden guardarse en un archivo de texto o procesarse aún más para análisis.

Consejo práctico: Puedes guardar el texto extraído en un archivo .txt para su procesamiento posterior o analizarlo para poblar bases de datos, hojas de Excel o bases de conocimientos. Este método funciona bien para informes, contratos o cualquier PDF donde solo necesites el texto bruto rápidamente.

Extraer datos de documentos PDF

Las aplicaciones del mundo real a menudo requieren una extracción de datos precisa. IronPDF ofrece múltiples métodos para apuntar a información valiosa de páginas específicas dentro de un PDF. Para este ejemplo, usaremos el siguiente PDF:

El siguiente código extraerá datos de páginas específicas dentro de este PDF y devolverá los resultados a nuestra consola.

using IronPdf;
using System;
// Load any PDF document
var pdf = PdfDocument.FromFile("AnnualReport2024.pdf");
// Extract from selected pages
int[] pagesToExtract = { 0, 2, 4 }; // Pages 1, 3, and 5
foreach (var pageIndex in pagesToExtract)
{
    string pageText = pdf.ExtractTextFromPage(pageIndex);
    // Split on 2 or more spaces (tables often flatten into space-separated values)
    var tokens = Regex.Split(pageText, @"\s{2,}");
    foreach (string token in tokens)
    {
        // Match totals, invoice headers, and invoice rows
        if (token.Contains("Invoice") || token.Contains("Total") || token.StartsWith("INV-"))
        {
            Console.WriteLine($"Important: {token.Trim()}");
        }
    }
}

using IronPdf;
using System;
// Load any PDF document
var pdf = PdfDocument.FromFile("AnnualReport2024.pdf");
// Extract from selected pages
int[] pagesToExtract = { 0, 2, 4 }; // Pages 1, 3, and 5
foreach (var pageIndex in pagesToExtract)
{
    string pageText = pdf.ExtractTextFromPage(pageIndex);
    // Split on 2 or more spaces (tables often flatten into space-separated values)
    var tokens = Regex.Split(pageText, @"\s{2,}");
    foreach (string token in tokens)
    {
        // Match totals, invoice headers, and invoice rows
        if (token.Contains("Invoice") || token.Contains("Total") || token.StartsWith("INV-"))
        {
            Console.WriteLine($"Important: {token.Trim()}");
        }
    }
}

IRON VB CONVERTER ERROR developers@ironsoftware.com

Este ejemplo muestra cómo extraer texto de documentos PDF, buscar información clave y prepararla para su almacenamiento en archivos de datos o una base de conocimientos. El método ExtractTextFromPage() mantiene el orden de lectura del documento, lo que lo hace perfecto para tareas de análisis de documentos e indexación de contenido.

Extracción de datos de tablas de documentos PDF

Las tablas en archivos PDF no tienen una estructura nativa; simplemente son contenido textual posicionado para parecerse a tablas. IronPDF extrae datos tabulares mientras preserva el diseño, para que puedas procesarlo en archivos de Excel o de texto. Para este ejemplo, usaremos este PDF:

using IronPdf;
using System.Text;
using System.Text.RegularExpressions;
var pdf = PdfDocument.FromFile("example.pdf");
string rawText = pdf.ExtractAllText();
// Split into lines for processing
string[] lines = rawText.Split('\n');
var csvBuilder = new StringBuilder();
foreach (string line in lines)
{
    if (string.IsNullOrWhiteSpace(line) || line.Contains("Page"))
        continue;
    string[] rawCells = Regex.Split(line.Trim(), @"\s+");
    string[] cells;
    // If the line starts with "Product", combine first two tokens as product name
    if (rawCells[0].StartsWith("Product") && rawCells.Length >= 5)
    {
        cells = new string[rawCells.Length - 1];
        cells[0] = rawCells[0] + " " + rawCells[1]; // Combine Product + letter
        Array.Copy(rawCells, 2, cells, 1, rawCells.Length - 2);
    }
    else
    {
        cells = rawCells;
    }
    // Keep header or table rows
    bool isTableOrHeader = cells.Length >= 2
                           && (cells[0].StartsWith("Item") || cells[0].StartsWith("Product")
                               || Regex.IsMatch(cells[0], @"^INV-\d+"));
    if (isTableOrHeader)
    {
        Console.WriteLine($"Row: {string.Join("|", cells)}");
        string csvRow = string.Join(",", cells).Trim();
        csvBuilder.AppendLine(csvRow);
    }
}
// Save as CSV for Excel import
File.WriteAllText("extracted_table.csv", csvBuilder.ToString());
Console.WriteLine("Table data exported to CSV");

using IronPdf;
using System.Text;
using System.Text.RegularExpressions;
var pdf = PdfDocument.FromFile("example.pdf");
string rawText = pdf.ExtractAllText();
// Split into lines for processing
string[] lines = rawText.Split('\n');
var csvBuilder = new StringBuilder();
foreach (string line in lines)
{
    if (string.IsNullOrWhiteSpace(line) || line.Contains("Page"))
        continue;
    string[] rawCells = Regex.Split(line.Trim(), @"\s+");
    string[] cells;
    // If the line starts with "Product", combine first two tokens as product name
    if (rawCells[0].StartsWith("Product") && rawCells.Length >= 5)
    {
        cells = new string[rawCells.Length - 1];
        cells[0] = rawCells[0] + " " + rawCells[1]; // Combine Product + letter
        Array.Copy(rawCells, 2, cells, 1, rawCells.Length - 2);
    }
    else
    {
        cells = rawCells;
    }
    // Keep header or table rows
    bool isTableOrHeader = cells.Length >= 2
                           && (cells[0].StartsWith("Item") || cells[0].StartsWith("Product")
                               || Regex.IsMatch(cells[0], @"^INV-\d+"));
    if (isTableOrHeader)
    {
        Console.WriteLine($"Row: {string.Join("|", cells)}");
        string csvRow = string.Join(",", cells).Trim();
        csvBuilder.AppendLine(csvRow);
    }
}
// Save as CSV for Excel import
File.WriteAllText("extracted_table.csv", csvBuilder.ToString());
Console.WriteLine("Table data exported to CSV");

IRON VB CONVERTER ERROR developers@ironsoftware.com

Las tablas en PDFs generalmente son solo texto posicionado para parecerse a una cuadrícula. Esta comprobación ayuda a determinar si una línea pertenece a una fila de tabla o encabezado. Filtrando encabezados, pies de página y texto no relacionado, puedes extraer datos tabulares limpios de un PDF, y estarán listos para CSV o Excel.

Este flujo de trabajo funciona para formularios PDF, documentos financieros e informes. Luego puedes convertir los datos de PDFs en archivos xlsx o fusionarlos en un archivo zip que contenga todos los datos útiles. Para tablas complejas con celdas fusionadas, es posible que necesites ajustar la lógica de análisis basada en posiciones de columna.

Extraer datos de campos de formulario de PDF

IronPDF también permite la extracción de datos de campos de formulario y su modificación:

using IronPdf;
using System.Drawing;
using System.Linq;
var pdf = PdfDocument.FromFile("form_document.pdf");
// Extract form field data
var form = pdf.Form;
foreach (var field in form) // Removed '.Fields' as 'FormFieldCollection' is enumerable
{
    Console.WriteLine($"{field.Name}: {field.Value}");
    // Update form values if needed
    if (field.Name == "customer_name")
    {
        field.Value = "Updated Value";
    }
}
// Save modified form
pdf.SaveAs("updated_form.pdf");

using IronPdf;
using System.Drawing;
using System.Linq;
var pdf = PdfDocument.FromFile("form_document.pdf");
// Extract form field data
var form = pdf.Form;
foreach (var field in form) // Removed '.Fields' as 'FormFieldCollection' is enumerable
{
    Console.WriteLine($"{field.Name}: {field.Value}");
    // Update form values if needed
    if (field.Name == "customer_name")
    {
        field.Value = "Updated Value";
    }
}
// Save modified form
pdf.SaveAs("updated_form.pdf");

IRON VB CONVERTER ERROR developers@ironsoftware.com

Este fragmento extrae los valores de los campos de formulario de PDFs y te permite actualizarlos programáticamente. Esto facilita el procesamiento de formularios PDF y la extracción de límites especificados de información para análisis o generación de informes. Esto es útil para automatizar flujos de trabajo como incorporación de clientes, procesamiento de encuestas o validación de datos.

Próximos pasos

IronPDF hace que la extracción de datos de PDF en .NET sea práctica y eficiente. Puedes extraer imágenes, texto, tablas, campos de formulario e incluso extractar archivos adjuntos de una variedad de documentos PDF, incluidos PDFs escaneados que normalmente requieren manejo adicional de OCR.

Ya sea que tu objetivo sea construir una base de conocimientos, automatizar flujos de trabajo de informes o extraer datos de PDFs financieros, esta biblioteca te ofrece las herramientas para lograrlo sin copiado manual o análisis propenso a errores. Es simple, rápido y se integra directamente en proyectos de Visual Studio. Dale una oportunidad, probablemente ahorrarás mucho tiempo y evitarás los dolores de cabeza habituales al trabajar con PDFs.

Empiece con IronPDF ahora.

Comience gratis

¿Listo para implementar la extracción de datos de PDF en tus aplicaciones? ¿IronPDF te suena como la biblioteca .NET para ti? Comienza tu prueba gratuita para uso comercial. Visita nuestra documentación para guías completas y referencias de API.