How to Extract Embedded Text and Images from PDFs

Exemple d'extraction de texte

L'extraction de texte peut être effectuée sur les documents PDF nouvellement rendus et existants. Utilisez la méthode ExtractAllText pour extraire le texte intégré du document. La méthode renverra une chaîne contenant tout le texte du PDF donné. Les pages sont séparées par quatre caractères de nouvelle ligne consécutifs. Utilisons un PDF d'exemple que j'ai rendu à partir du site Wikipedia.

:path=/static-assets/pdf/content-code-examples/how-to/extract-text-and-images-extract-text.cs

using IronPdf;
using System.IO;

PdfDocument pdf = PdfDocument.FromFile("sample.pdf");

// Extract text
string text = pdf.ExtractAllText();

// Export the extracted text to a text file
File.WriteAllText("extractedText.txt", text);

Imports IronPdf
Imports System.IO

Private pdf As PdfDocument = PdfDocument.FromFile("sample.pdf")

' Extract text
Private text As String = pdf.ExtractAllText()

' Export the extracted text to a text file
File.WriteAllText("extractedText.txt", text)

class="content-img-align-center">

class="center-image-wrapper">

Extraire le texte par ligne et caractère

Dans chaque page PDF, il est possible de récupérer les coordonnées des lignes de texte et des caractères. Tout d'abord, sélectionnez une page du PDF et accédez aux propriétés Lignes et Caractères. Les coordonnées sont disposées comme les valeurs Top, Right, Bottom et Left, représentant la position du texte.

:path=/static-assets/pdf/content-code-examples/how-to/extract-text-and-images-extract-text-by-line-character.cs

using IronPdf;
using System.IO;
using System.Linq;

// Open PDF from file
PdfDocument pdf = PdfDocument.FromFile("sample.pdf");

// Extract text by lines
var lines = pdf.Pages[0].Lines;

// Extract text by characters
var characters = pdf.Pages[0].Characters;

File.WriteAllLines("lines.txt", lines.Select(l => $"at Y={l.BoundingBox.Bottom:F2}: {l.Contents}"));

Imports IronPdf
Imports System.IO
Imports System.Linq

' Open PDF from file
Private pdf As PdfDocument = PdfDocument.FromFile("sample.pdf")

' Extract text by lines
Private lines = pdf.Pages(0).Lines

' Extract text by characters
Private characters = pdf.Pages(0).Characters

File.WriteAllLines("lines.txt", lines.Select(Function(l) $"at Y={l.BoundingBox.Bottom:F2}: {l.Contents}"))

$vbLabelText   $csharpLabel

class="content-img-align-center">

class="center-image-wrapper">

---

Exemple d'extraction d'images

Utilisez la méthode ExtractAllImages pour extraire toutes les images intégrées dans le document. La méthode renverra les images sous forme de liste d'objets AnyBitmap. En utilisant le même document de notre exemple précédent, nous avons extrait les images et les avons exportées dans le dossier 'images'.

:path=/static-assets/pdf/content-code-examples/how-to/extract-text-and-images-extract-image.cs

using IronPdf;

PdfDocument pdf = PdfDocument.FromFile("sample.pdf");

// Extract images
var images = pdf.ExtractAllImages();

for(int i = 0; i < images.Count; i++)
{
    // Export the extracted images
    images[i].SaveAs($"images/image{i}.png");
}

Imports IronPdf

Private pdf As PdfDocument = PdfDocument.FromFile("sample.pdf")

' Extract images
Private images = pdf.ExtractAllImages()

For i As Integer = 0 To images.Count - 1
	' Export the extracted images
	images(i).SaveAs($"images/image{i}.png")
Next i

class="content-img-align-center">

class="center-image-wrapper">

En plus de la méthode ExtractAllImages montrée ci-dessus, l'utilisateur peut utiliser les méthodes ExtractAllBitmaps et ExtractAllRawImages pour extraire des informations d'image du document. Tandis que la méthode ExtractAllBitmaps renverra une liste de AnyBitmap, comme l'exemple de code, la méthode ExtractAllRawImages extrait toutes les images d'un document PDF et les renvoie sous forme brute sous forme de tableaux d'octets (byte[]).

Extrait de texte et d'images sur des pages spécifiques

L'extraction de texte et d'images peut être effectuée sur une ou plusieurs pages spécifiées. Utilisez les méthodes ExtractTextFromPage et ExtractTextFromPages pour extraire du texte d'une seule page ou de plusieurs pages, respectivement. Pour extraire des images, utilisez les méthodes ExtractImagesFromPage et ExtractImagesFromPages.

:path=/static-assets/pdf/content-code-examples/how-to/extract-text-and-images-extract-text-single-multiple.cs

using IronPdf;

PdfDocument pdf = PdfDocument.FromFile("sample.pdf");

// Extract text from page 1
string textFromPage1 = pdf.ExtractTextFromPage(0);

int[] pages = new[] { 0, 2 };

// Extract text from pages 1 & 3
string textFromPage1_3 = pdf.ExtractTextFromPages(pages);

Imports IronPdf

Private pdf As PdfDocument = PdfDocument.FromFile("sample.pdf")

' Extract text from page 1
Private textFromPage1 As String = pdf.ExtractTextFromPage(0)

Private pages() As Integer = { 0, 2 }

' Extract text from pages 1 & 3
Private textFromPage1_3 As String = pdf.ExtractTextFromPages(pages)