Comment lire les données des fichiers PDF dans ASP.NET Core

Comment configurer IronPDF dans un projet ASP.NET Core ?

La prise en main est simple. Installez le package NuGet IronPDF à partir de la console de gestion des packages NuGet ou de la .NET CLI à l'aide de l'une ou l'autre de ces commandes :

Install-Package IronPdf
dotnet add package IronPdf

Install-Package IronPdf
dotnet add package IronPdf

Une fois le package installé, ajoutez l'espace de noms IronPDF en haut de tout fichier qui fonctionne avec des documents PDF :

using IronPdf;

using IronPdf;

Imports IronPdf

Voilà toute la configuration requise pour la plupart des projets. IronPDF ne dépend pas de processus de rendu externes ni de dépendances natives supplémentaires sous Windows. Pour les environnements Linux ou Docker, consultez la documentation IronPDF pour obtenir des instructions spécifiques à la plateforme.

Une licence d'essai gratuite vous permet de tester l'ensemble des fonctionnalités avant de vous engager pour une utilisation en production. Vous pouvez obtenir une licence d'essai directement sur le site IronPDF et l'appliquer en une seule ligne de code avant votre première opération PDF.

Comment extraire du texte d'un fichier PDF ?

L'extraction de texte est la tâche la plus courante lors de la lecture de fichiers PDF. IronPDF fournit ExtractAllText pour extraire tout le texte lisible d'un document et ExtractTextFromPage pour l'accès au niveau de la page. Les deux méthodes préservent l'ordre de lecture et gèrent les encodages de texte standard.

// Load a PDF document from disk
var pdf = PdfDocument.FromFile("document.pdf");

// Extract all text from every page
string allText = pdf.ExtractAllText();

// Extract text from a specific page (zero-based index)
string pageOneText = pdf.ExtractTextFromPage(0);

Console.WriteLine(allText);

// Load a PDF document from disk
var pdf = PdfDocument.FromFile("document.pdf");

// Extract all text from every page
string allText = pdf.ExtractAllText();

// Extract text from a specific page (zero-based index)
string pageOneText = pdf.ExtractTextFromPage(0);

Console.WriteLine(allText);

Imports System

' Load a PDF document from disk
Dim pdf = PdfDocument.FromFile("document.pdf")

' Extract all text from every page
Dim allText As String = pdf.ExtractAllText()

' Extract text from a specific page (zero-based index)
Dim pageOneText As String = pdf.ExtractTextFromPage(0)

Console.WriteLine(allText)

ExtractAllText renvoie le contenu complet du texte sous la forme d'une chaîne unique, en préservant les sauts de ligne. ExtractTextFromPage cible une seule page à l'aide d'un index à base zéro, ce qui est utile lorsque vous n'avez besoin que du contenu d'une section spécifique d'un document de plusieurs pages.

Pour un examen approfondi des options d'extraction de texte et d'images, le guide d'extraction de texte à partir de PDF couvre des scénarios avancés, notamment l'extraction basée sur les régions.

using IronPdf;
using Microsoft.AspNetCore.Http;
using Microsoft.AspNetCore.Mvc;
using System.IO;

[ApiController]
[Route("api/[controller]")]
public class PdfController : ControllerBase
{
    [HttpPost("extract-text")]
    public IActionResult ExtractText(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());
        string extractedText = pdf.ExtractAllText();

        return Ok(new { text = extractedText });
    }
}

using IronPdf;
using Microsoft.AspNetCore.Http;
using Microsoft.AspNetCore.Mvc;
using System.IO;

[ApiController]
[Route("api/[controller]")]
public class PdfController : ControllerBase
{
    [HttpPost("extract-text")]
    public IActionResult ExtractText(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());
        string extractedText = pdf.ExtractAllText();

        return Ok(new { text = extractedText });
    }
}

Imports IronPdf
Imports Microsoft.AspNetCore.Http
Imports Microsoft.AspNetCore.Mvc
Imports System.IO

<ApiController>
<Route("api/[controller]")>
Public Class PdfController
    Inherits ControllerBase

    <HttpPost("extract-text")>
    Public Function ExtractText(pdfFile As IFormFile) As IActionResult
        If pdfFile Is Nothing OrElse pdfFile.Length = 0 Then
            Return BadRequest("No PDF file uploaded.")
        End If

        Using stream As New MemoryStream()
            pdfFile.CopyTo(stream)

            Dim pdf As New PdfDocument(stream.ToArray())
            Dim extractedText As String = pdf.ExtractAllText()

            Return Ok(New With {.text = extractedText})
        End Using
    End Function
End Class

Comment lire les données d'un formulaire PDF dans ASP.NET Core?

Les formulaires PDF (également appelés AcroForms ) contiennent des champs interactifs que les utilisateurs remplissent. IronPDF expose les champs de formulaire à travers la propriété Form de PdfDocument, vous donnant le nom et la valeur de chaque champ dans le document.

Le point de terminaison suivant lit un formulaire PDF téléchargé et renvoie toutes les valeurs des champs sous forme de dictionnaire JSON :

[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 });
}

Imports Microsoft.AspNetCore.Mvc
Imports System.IO

<HttpPost("extract-form")>
Public Function ExtractForm(<FromForm> pdfFile As IFormFile) As IActionResult
    If pdfFile Is Nothing OrElse pdfFile.Length = 0 Then
        Return BadRequest("No PDF file uploaded.")
    End If

    Using stream As New MemoryStream()
        pdfFile.CopyTo(stream)

        Dim pdf = New PdfDocument(stream.ToArray())
        Dim formData As New Dictionary(Of String, String)()

        If pdf.Form IsNot Nothing Then
            For Each field In pdf.Form
                formData(field.Name) = field.Value
            Next
        End If

        Return Ok(New With {.formFields = formData})
    End Using
End Function

Chaque champ de pdf.Form possède une propriété Name (l'identifiant du champ défini dans l'outil de création de PDF) et une propriété Value (le texte ou la sélection que l'utilisateur a saisi(e)). Cette collection comprend des zones de texte, des cases à cocher, des boutons radio et des listes déroulantes.

La réponse JSON facilite le transfert des soumissions de formulaires vers une base de données, une API tierce ou une file d'attente de messages sans aucun traitement supplémentaire. Pour les flux de travail impliquant la création ou la modification de formulaires PDF par programmation, le guide des formulaires PDF explique comment ajouter des champs et préremplir les valeurs.

Comment extraire les données d'un tableau à partir d'un PDF ?

Dans les fichiers PDF, les tableaux sont stockés sous forme de texte positionné ; le format PDF ne possède pas de structure de données de tableau native. Extraire des données tabulaires signifie donc extraire le texte brut puis appliquer une logique d'analyse syntaxique pour reconstruire les lignes et les colonnes.

Le ExtractAllText d'IronPDF préserve les espaces blancs et les caractères de tabulation, ce qui permet de diviser les lignes en colonnes de manière programmatique. L'action de contrôleur suivante illustre cette approche :

[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);

    var pdf = new PdfDocument(memoryStream.ToArray());
    string text = pdf.ExtractAllText();

    // Split into lines, then split each line into columns
    string[] lines = text.Split(
        new[] { '\r', '\n' },
        StringSplitOptions.RemoveEmptyEntries
    );

    var tableData = new List<string[]>();
    foreach (string line in lines)
    {
        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);

    var pdf = new PdfDocument(memoryStream.ToArray());
    string text = pdf.ExtractAllText();

    // Split into lines, then split each line into columns
    string[] lines = text.Split(
        new[] { '\r', '\n' },
        StringSplitOptions.RemoveEmptyEntries
    );

    var tableData = new List<string[]>();
    foreach (string line in lines)
    {
        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 });
}

Imports Microsoft.AspNetCore.Mvc
Imports System.IO
Imports System.Linq

<HttpPost("extract-table")>
Public Function ExtractTable(<FromForm> pdfFile As IFormFile) As IActionResult
    If pdfFile Is Nothing OrElse pdfFile.Length = 0 Then
        Return BadRequest("No PDF file uploaded.")
    End If

    Using memoryStream As New MemoryStream()
        pdfFile.CopyTo(memoryStream)

        Dim pdf As New PdfDocument(memoryStream.ToArray())
        Dim text As String = pdf.ExtractAllText()

        ' Split into lines, then split each line into columns
        Dim lines As String() = text.Split(New Char() {ControlChars.Cr, ControlChars.Lf}, StringSplitOptions.RemoveEmptyEntries)

        Dim tableData As New List(Of String())()
        For Each line As String In lines
            Dim columns As String() = line.Split(ControlChars.Tab).Where(Function(c) Not String.IsNullOrWhiteSpace(c)).ToArray()

            If columns.Length > 0 Then
                tableData.Add(columns)
            End If
        Next

        Dim table = tableData.Select(Function(r) String.Join(" | ", r)).ToList()
        Return Ok(New With {.Table = table})
    End Using
End Function

Cette approche fonctionne bien pour les fichiers PDF dont les tableaux utilisent des colonnes séparées par des tabulations de manière cohérente. Pour les documents où les colonnes sont séparées par des espaces variables, il peut être nécessaire d'appliquer une heuristique d'espacement minimal ou d'inspecter la position des caractères. Le guide sur la fusion ou la division des PDF est utile lorsque vous devez isoler des pages spécifiques contenant des tableaux avant l'extraction.

Comment gérez-vous les chargements asynchrones de fichiers PDF ?

Les applications ASP.NET Core en production doivent gérer les téléchargements de fichiers de manière asynchrone afin d'éviter le blocage du pool de threads. La méthode IFormFile.CopyToAsync combinée avec async/await permet au contrôleur de ne pas être bloqué :

[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);

    var pdf = new PdfDocument(ms.ToArray());
    string text = pdf.ExtractAllText();
    int pageCount = pdf.PageCount;

    return Ok(new
    {
        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);

    var pdf = new PdfDocument(ms.ToArray());
    string text = pdf.ExtractAllText();
    int pageCount = pdf.PageCount;

    return Ok(new
    {
        text,
        pages = pageCount
    });
}

Imports System.IO
Imports Microsoft.AspNetCore.Mvc

<HttpPost("process-upload")>
Public Async Function ProcessPdf(<FromForm> file As IFormFile) As Task(Of IActionResult)
    If file Is Nothing OrElse file.Length = 0 Then
        Return BadRequest("No PDF file uploaded.")
    End If

    Using ms As New MemoryStream()
        Await file.CopyToAsync(ms)

        Dim pdf As New PdfDocument(ms.ToArray())
        Dim text As String = pdf.ExtractAllText()
        Dim pageCount As Integer = pdf.PageCount

        Return Ok(New With {
            .text = text,
            .pages = pageCount
        })
    End Using
End Function

Le constructeur PdfDocument est synchrone, mais l'étape de téléchargement - souvent la partie la plus lente du pipeline - s'exécute de manière asynchrone. Ce modèle s'adapte bien aux charges simultanées et est compatible avec les points de terminaison API minimaux, les gestionnaires Razor Pages et les services gRPC.

builder.Services.Configure<FormOptions>(options =>
{
    options.MultipartBodyLengthLimit = 100 * 1024 * 1024; // 100 MB
});

builder.Services.Configure<FormOptions>(options =>
{
    options.MultipartBodyLengthLimit = 100 * 1024 * 1024; // 100 MB
});

Imports Microsoft.Extensions.DependencyInjection
Imports Microsoft.AspNetCore.Http

builder.Services.Configure(Of FormOptions)(Sub(options)
    options.MultipartBodyLengthLimit = 100 * 1024 * 1024 ' 100 MB
End Sub)

builder.WebHost.ConfigureKestrel(options =>
{
    options.Limits.MaxRequestBodySize = 100 * 1024 * 1024;
});

builder.WebHost.ConfigureKestrel(options =>
{
    options.Limits.MaxRequestBodySize = 100 * 1024 * 1024;
});

builder.WebHost.ConfigureKestrel(Sub(options)
    options.Limits.MaxRequestBodySize = 100 * 1024 * 1024
End Sub)

Comment convertir le contenu extrait d'un PDF en d'autres formats ?

Une fois que vous disposez de données textuelles ou de formulaires, vous pouvez les transmettre à n'importe quel processus en aval requis par votre application : écritures dans la base de données, indexation de recherche, génération de rapports ou appels d'API. IronPDF prend également en charge la conversion dans l'autre sens : la conversion de HTML en PDF.

Dans les cas où vous souhaitez afficher visuellement le contenu extrait, vous pouvez convertir le PDF original en images à l'aide du guide de conversion PDF vers image . Ceci est utile pour les fonctionnalités d'aperçu de documents, lorsque vous souhaitez afficher des vignettes de pages sans charger le PDF complet dans le navigateur.

Si vous devez protéger les documents de sortie avant de les livrer aux utilisateurs, IronPDF prend en charge les signatures numériques et les filigranes en tant qu'étapes de post-traitement. L'ajout d'en-têtes et de pieds de page — traité dans le guide des en-têtes et pieds de page — est tout aussi simple.

Quelles sont les prochaines étapes après la configuration de l'extraction de données PDF ?

Vous disposez désormais de modèles fonctionnels pour l'extraction de texte, la lecture des données de formulaire, l'analyse des tableaux et les téléchargements asynchrones. Voici quelques pistes à explorer ensuite, en fonction des exigences de votre application.

Si vous devez générer des rapports PDF en parallèle de votre flux de travail d'extraction, la présentation des fonctionnalités IronPDF couvre le rendu HTML vers PDF, les superpositions de tampons et la manipulation de pages. Pour les applications qui fusionnent des rapports provenant de sources multiples, le guide de fusion ou de division des PDF explique comment combiner et diviser des documents.

Pour une transmission sécurisée des documents, les signatures numériques vous permettent de certifier les fichiers PDF avant de les envoyer à vos clients. Les filigranes personnalisés ajoutent une identité visuelle ou des étiquettes de brouillon aux documents générés.

Si votre projet extrait des données de PDF numérisés (des images plutôt que du texte consultable), vous aurez besoin d'une étape OCR avant d'appeler ExtractAllText. IronOCR d' Iron Software s'intègre à IronPDF pour gérer les flux de travail des documents numérisés.

IronPDF est disponible avec des options de licence flexibles pour les développeurs individuels et les équipes. Commencez par un essai gratuit pour tester toutes les fonctionnalités sans restrictions. La documentation complète comprend une référence API, des guides de démarrage et des notes de déploiement pour les environnements Windows, Linux, Docker et cloud.

La lecture de données à partir de fichiers PDF dans ASP.NET Core ne nécessite plus de code d'analyse syntaxique de bas niveau ni de dépendances lourdes. Avec IronPDF, le chemin entre le fichier téléchargé et le contenu extrait se résume à quelques lignes qui s'intègrent naturellement dans n'importe quelle couche de contrôleur ou de service.