Extraction de texte PDF avec PDFsharp vs IronPDF (Exemple)

Dans le tutoriel d'aujourd'hui, nous allons explorer comment extraire du texte de documents PDF en utilisant deux bibliothèques PDF puissantes,IronPDF etPDFSharp. Nous allons apprendre comment fonctionne l'extraction de texte avec ces outils sans avoir besoin de posséder une licence de bibliothèque Adobe, et comment ils se comparent les uns aux autres.

Il existe des dizaines de bibliothèques axées sur les PDF parmi lesquelles choisir, et en prenant le temps de les comparer et d’apprendre comment leurs fonctionnalités fonctionnent, vous pourrez choisir la bonne bibliothèque pour les besoins de votre projet. L'extraction de texte est juste l'un des nombreux exemples de tâches que vous pourriez avoir besoin de réaliser sur vos PDF, l'extraction de texte étant utile dans les situations où vous pourriez avoir besoin de lire ou d'analyser des données à partir de fichiers PDF de manière efficace.

PDFsharp

PDFsharp est une bibliothèque .NET open-source conçue pour créer et modifier des documents PDF par programmation. Bien que sa principale force réside dans la génération et la manipulation de PDF, il offre également des outils de base pour lire des fichiers PDF existants et extraire du contenu, lorsqu'il est associé aux bonnes bibliothèques externes.

PDFsharp peut faire plus que créer de nouveaux documents PDF en déplacement, il peut être utilisé pour modifier des fichiers PDF existants, fusionner et diviser des documents, ajouter des annotations, et plus encore.

IronPDF

IronPDF est une bibliothèque .NET de qualité professionnelle conçue pour simplifier le processus de travail avec des documents PDF en C#. C'est un outil riche en fonctionnalités conçu pour les développeurs créant des applications impliquant la génération de PDF,manipulation, Cryptage PDF, convertir des fichiers PDF, fusionner des pages PDF, Conversion de HTML en PDF, extraction de contenu, et plus.

Avec ses capacités robustes, IronPDF se distingue comme une solution polyvalente pour créer et gérer des PDF dans des projets de petite envergure ainsi que dans des applications de niveau entreprise.

IronPDF est conçu pour être compatible avec les frameworks .NET modernes, y compris .NET Core, .NET 5, .NET 6 et .NET 7, ainsi que les versions héritées comme .NET Framework. Il fonctionne parfaitement sur les systèmes d'exploitation tels que Windows, macOS et Linux, et est entièrement compatible avec les environnements Docker, Azure et AWS. Cela garantit que les développeurs peuvent déployer leurs flux de travail PDF sur n'importe quelle plateforme ou service cloud.

Pour l'exemple d'aujourd'hui, nous allons tenter deextraire le texteà partir de ce document PDF dans Visual Studio :

Extraire le texte d'un fichier PDF en utilisant PDFsharp

PDFSharp, dans sa version actuelle, ne prend pas en charge nativement l'extraction de texte à partir de documents PDF. Il est principalement conçu pour créer et manipuler des PDFs, tels que le dessin de graphiques, l'ajout de contenu et la fusion de documents, mais il ne dispose pas d'un mécanisme intégré pour extraire le texte de manière autonome, incapable de gérer les caractères spéciaux, le codage avancé, etc. Il peut produire une sortie de texte fragmentée ou incomplète, ou des chaînes vides au lieu du contenu PDF réel. Par exemple :

Si vous avez besoin d'une extraction de texte avancée avec un meilleur support pour différentes polices, encodages et mises en page, vous devrez probablement utiliser une bibliothèque plus spécialisée, telle que :

1. iTextSharp(ou iText 7)C'est une bibliothèque PDF populaire avec un fort support pour l'extraction et l'analyse de texte.

2. Pdfium : Une autre option qui excelle dans l'extraction de texte, en particulier à partir de PDF avec une mise en forme complexe.

Extraire du texte d'un fichier PDF en utilisant IronPDF

Maintenant, voyons commentextraction de texteest géré à l'aide d'IronPDF. La fonctionnalité d'extraction de texte d'IronPDF offre aux développeurs une méthode concise mais puissante pour extraire efficacement du texte à partir de documents PDF, sans nécessiter de code supplémentaire pour formater correctement la chaîne de données en texte lisible.

using IronPdf;
public class Program
{
    static void Main(string[] args)
    {
    // Provide the file path
        string pdfPath = @"invoice.pdf";
        // Load the PDF document using IronPDF
        var pdf = PdfDocument.FromFile(pdfPath);
        // Extract all text from the PDF
        var text = pdf.ExtractAllText();
        // Output the extracted text
        Console.WriteLine(extractedText);
    }
}

using IronPdf;
public class Program
{
    static void Main(string[] args)
    {
    // Provide the file path
        string pdfPath = @"invoice.pdf";
        // Load the PDF document using IronPDF
        var pdf = PdfDocument.FromFile(pdfPath);
        // Extract all text from the PDF
        var text = pdf.ExtractAllText();
        // Output the extracted text
        Console.WriteLine(extractedText);
    }
}

Imports IronPdf
Public Class Program
	Shared Sub Main(ByVal args() As String)
	' Provide the file path
		Dim pdfPath As String = "invoice.pdf"
		' Load the PDF document using IronPDF
		Dim pdf = PdfDocument.FromFile(pdfPath)
		' Extract all text from the PDF
		Dim text = pdf.ExtractAllText()
		' Output the extracted text
		Console.WriteLine(extractedText)
	End Sub
End Class

IronPDF fournit une API simple et efficace pour extraire le texte à partir du chemin PDF donné. Il garantit que le texte extrait est bien structuré et précis, ce qui en fait une option fiable pour les développeurs qui ont besoin de traiter le contenu PDF dans leurs applications.

Comparaison

PDFSharp est une bibliothèque gratuite et open-source idéale pour la création et la manipulation de PDF basiques, mais elle a des fonctionnalités limitées et rencontre des difficultés avec les PDF complexes. En théorie, bien qu'il soit possible de l'utiliser pour extraire du texte de fichiers PDF, cela nécessiterait une analyse avancée du texte et pourrait entraîner un résultat fragmenté.

IronPDF offre une solution plus robuste avec des fonctionnalités avancées telles que l'extraction de texte précise, la conversion HTML en PDF, et la prise en charge des normes PDF modernes. Il est optimisé pour la performance et la facilité d'utilisation avec une API intuitive. Bien qu'il soit gratuit pour le développement, il offre égalementlicences commercialespour ses niveaux de licence payants.

Conclusion

PDFsharp et IronPDF sont tous deux des outils précieux pour travailler avecextraction de texteà partir de PDFs en C#, mais ils répondent à différents cas d'utilisation :

• PDFSharp est un excellent choix pour les développeurs qui ont besoin d'une bibliothèque gratuite et open-source pour la création de PDF de base et l'extraction de texte. Toutefois, ses capacités d'extraction de texte sont limitées et pourraient ne pas répondre aux besoins d'applications plus complexes.

• IronPDF, quant à lui, excelle dans l'extraction de texte, la conversion de HTML en PDF et les tâches avancées d'édition de PDF. Sa facilité d'utilisation, sa compatibilité multiplateforme et sa large gamme de fonctionnalités en font un choix privilégié pour les développeurs gérant des flux de travail PDF de qualité professionnelle.

  Pour approfondir commentIronPDFdépasse les autres bibliothèques, visitez le site officielDocumentation IronPDF.