Este tutorial introduce cómo extraer programáticamente textos e imágenes de archivos PDF con el soporte de primera clase de IronPDF.

IronPDF

Características

Conversión PDF eficiente. Casi todo lo que una máquina puede hacer, IronPDF también puede hacerlo. Gracias a esta librería PDF, los desarrolladores pueden rápidamente crear, leer contenido textual, escribir, cargar y manipular PDF.

IronPDF convierte HTML en un registro PDF con la ayuda del motor Chrome. Junto con Windows Forms, HTML, ASPX, Razor HTML, .NET Core, ASP.NET, Windows Forms y WPF. IronPDF también admite aplicaciones de Xamarin, Blazor, Unity, y HoloLens. IronPDF soporta tanto aplicaciones Microsoft .NET como .NET Core (tanto paquetes Web ASP.NET como paquetes convencionales de Windows). IronPDF se puede usar para hacer PDFs estéticamente atractivos.

IronPDF puede crear un PDF utilizando HTML5, JavaScript, CSS e imágenes. IronPDF también tiene un potente convertidor de HTML a PDF que se integra con PDF. Un fuerte mecanismo de conversión PDF está presente en IronPDF al usar el motor de renderizado Chromium. También es independiente de cualquier fuente externa.

• Una imagen PDF se puede crear desde una variedad de fuentes, incluyendo HTML, HTML5, ASPX y Vista Razor/MVC. Tanto los activos HTML como los de imagen se pueden convertir a PDF.
• Las herramientas que se pueden usar para trabajar con PDFs interactivos incluyen completar y enviar formularios interactivos.
• Combinar y dividir PDFs, extraer texto e imágenes de archivos PDF, buscar texto en archivos PDF, rasterizar PDFs a imágenes, cambiar el tamaño de la fuente y convertir archivos PDF.
• Permite la verificación de formularios HTML de inicio de sesión usando agentes de usuario, proxies, cookies, encabezados HTTP y variables de formulario.
• Acceder a documentos protegidos es posible con IronPDF proporcionando nombres de usuario y contraseñas.
• IronPDF es un programa que lee texto en PDF y completa los vacíos.
• Permite agregar texto, imágenes, marcadores, marcas de agua y más.
• Puedes crear un archivo PDF desde un archivo CSS.

Para más detalles, visita esta página de información sobre licencias de IronPDF para obtener una clave limitada gratuita y la versión profesional.

Formateo de fuente de IronPDF

Extraer texto de un archivo PDF

IronPDF también puede leer y extraer texto de archivos PDF con la ayuda de las bibliotecas de IronPDF. A continuación se muestra un patrón de código de IronPDF que se puede utilizar para examinar archivos PDF presentes.

Extraer texto de todas las páginas

El ejemplo de código a continuación demuestra el primer método para adquirir todo el contenido del PDF como una cadena con solo unas pocas líneas.

Imports IronPdf

Module Program
    Sub Main(args As String())
        ' Create a PDF Document object from an existing PDF file
        Dim pdfdoc = PdfDocument.FromFile("result.pdf")
        
        ' Extract all the text from the PDF
        Dim AllText As String = pdfdoc.ExtractAllText()
        
        ' Output the extracted text to the console
        Console.WriteLine(AllText)
    End Sub
End Module

Imports IronPdf

Module Program
    Sub Main(args As String())
        ' Create a PDF Document object from an existing PDF file
        Dim pdfdoc = PdfDocument.FromFile("result.pdf")
        
        ' Extract all the text from the PDF
        Dim AllText As String = pdfdoc.ExtractAllText()
        
        ' Output the extracted text to the console
        Console.WriteLine(AllText)
    End Sub
End Module

El código de muestra anterior demuestra cómo utilizar el método FromFile para leer un PDF de un archivo existente y convertirlo en un objeto de documento PDF. El objeto proporciona un método llamado ExtractAllText que extraerá texto sin formato del PDF y lo convertirá en una cadena.

Extraer texto por número de página

El ejemplo de código a continuación muestra cómo extraer datos de un archivo PDF usando el número de página.

Imports IronPdf

Module Program
    Sub Main(args As String())
        ' Create a PDF Document object from an existing PDF file
        Dim pdfdoc = PdfDocument.FromFile("result.pdf")
        
        ' Extract text from the first page (page numbers are zero-based)
        Dim AllText As String = pdfdoc.ExtractTextFromPage(0)
        
        ' Output the extracted text to the console
        Console.WriteLine(AllText)
    End Sub
End Module

Imports IronPdf

Module Program
    Sub Main(args As String())
        ' Create a PDF Document object from an existing PDF file
        Dim pdfdoc = PdfDocument.FromFile("result.pdf")
        
        ' Extract text from the first page (page numbers are zero-based)
        Dim AllText As String = pdfdoc.ExtractTextFromPage(0)
        
        ' Output the extracted text to the console
        Console.WriteLine(AllText)
    End Sub
End Module

El código anterior muestra cómo leer un PDF de un archivo existente y convertirlo en un objeto de documento PDF utilizando la función FromFile . Se puede acceder a los textos e imágenes en el PDF usando este objeto. El objeto ofrece un método llamado ExtractTextFromPage que le permite enviar un número de página como parámetro para obtener una cadena que contiene cada palabra que estaba en esa página del PDF.

Extraer texto entre páginas

El siguiente código muestra cómo extraer los datos entre múltiples páginas.

Imports IronPdf

Module Program
    Sub Main(args As String())
        ' Define a list of page numbers from which to extract text
        Dim Pages As List(Of Integer) = New List(Of Integer) From {3, 5, 7}
        
        ' Create a PDF Document object from an existing PDF file
        Dim pdfdoc = PdfDocument.FromFile("result.pdf")
        
        ' Extract text from the specified pages
        Dim AllText As String = pdfdoc.ExtractTextFromPages(Pages)
        
        ' Output the extracted text to the console
        Console.WriteLine(AllText)
    End Sub
End Module

Imports IronPdf

Module Program
    Sub Main(args As String())
        ' Define a list of page numbers from which to extract text
        Dim Pages As List(Of Integer) = New List(Of Integer) From {3, 5, 7}
        
        ' Create a PDF Document object from an existing PDF file
        Dim pdfdoc = PdfDocument.FromFile("result.pdf")
        
        ' Extract text from the specified pages
        Dim AllText As String = pdfdoc.ExtractTextFromPages(Pages)
        
        ' Output the extracted text to the console
        Console.WriteLine(AllText)
    End Sub
End Module

El código anterior demuestra cómo utilizar el método FromFile para leer un PDF de un archivo existente y convertirlo en un objeto de documento PDF. Este objeto permite examinar el texto y las imágenes en el PDF. El objeto tiene un método llamado ExtractTextFromPages que se puede utilizar para obtener una cadena que incluye todo el contenido de texto en páginas determinadas del documento pasando una lista de números de página como parámetro. Acontinuación el lado izquierdo es el PDF de origen y el lado derecho son los datos extraídos.

Salida de extracción de texto entre páginas

Extraer imagen de un archivo PDF

IronPDF proporciona una lista de métodos para extraer imágenes tales como:

• ExtractBitmapsFromPage
• ExtractBitmapsFromPages
• ExtractImagesFromPage
• ExtractImagesFromPages
• ExtractRawImagesFromPage
• ExtractRawImagesFromPages

Cada método permite extraer imágenes de una página o múltiples páginas del documento.

Imports IronPdf
Imports System.Drawing

Module Program
    Sub Main(args As String())
        ' Create a PDF Document object from an existing PDF file
        Dim pdfdoc = PdfDocument.FromFile("result.pdf")
        
        ' Extract raw images from the first page
        Dim images = pdfdoc.ExtractRawImagesFromPage(1)
        
        ' Iterate over extracted images
        For Each imgData As Byte() In images
            ' Create a memory stream from byte data
            Using ms As New IO.MemoryStream(imgData)
                ' Create a Bitmap object from the memory stream
                Dim image = New Bitmap(ms)
                
                ' Save the image to the specified output directory
                image.Save("output/test.jpg")
            End Using
        Next
    End Sub
End Module

Imports IronPdf
Imports System.Drawing

Module Program
    Sub Main(args As String())
        ' Create a PDF Document object from an existing PDF file
        Dim pdfdoc = PdfDocument.FromFile("result.pdf")
        
        ' Extract raw images from the first page
        Dim images = pdfdoc.ExtractRawImagesFromPage(1)
        
        ' Iterate over extracted images
        For Each imgData As Byte() In images
            ' Create a memory stream from byte data
            Using ms As New IO.MemoryStream(imgData)
                ' Create a Bitmap object from the memory stream
                Dim image = New Bitmap(ms)
                
                ' Save the image to the specified output directory
                image.Save("output/test.jpg")
            End Using
        Next
    End Sub
End Module

El código anterior muestra cómo leer un documento de un archivo existente y convertirlo en un objeto de documento PDF utilizando la función FromFile. Al pasar un número de página al método ExtractRawImagesFromPage del objeto, se puede obtener una lista de bytes que contiene todas las imágenes que estaban presentes en esa página del documento. Usando un bucle For Each, cada flujo de bytes se maneja y se convierte en un flujo de memoria, luego en un Bitmap, que ayuda a guardar la imagen. La imagen a continuación muestra la salida del código anterior.

Salida de extracción de imágenes del PDF

Para saber más sobre el tutorial de código API de IronPDF, consulta la documentación de IronPDF. También puedes visitar otros tutoriales para aprender cómo analizar texto PDF usando C#.

Conclusión

La licencia de desarrollo para la librería IronPDF es gratuita. Si se usa IronPDF en un ambiente de producción, se pueden comprar diferentes licencias según las necesidades del desarrollador. El plan Lite comienza en $999 y no tiene costos continuos. También se proporcionan alternativas de redistribución SaaS y OEM. Todas las licencias incluyen actualizaciones, un año de soporte del producto y una licencia permanente. También son útiles para fabricación, puesta en escena y desarrollo. Es una compra única. Hay licencias adicionales gratuitas, limitadas por tiempo, disponibles. Visita la información completa sobre licencias de IronPDF para leer los detalles completos de precios y licencias de IronPDF. IronPDF también proporciona licencias gratuitas para la protección contra copia.