本日のチュートリアルでは、IronPDF と PDFSharp という2つの強力なPDFライブラリを利用して、PDFドキュメントからテキストを抽出する方法を探ります。 Adobeライブラリを持たずに、これらのツールでテキスト抽出の仕組みを学びます。

選択肢として数十のPDF専用ライブラリがあり、それらを比較し、機能がどのように動作するかを学ぶことで、プロジェクトのニーズに合ったライブラリを選ぶことができます。 テキスト抽出は、PDFs上で実行する必要があるかもしれないタスクの多くの例の1つに過ぎず、特にPDFファイルからデータを効率的に読み取ったり解析したりする必要がある場合に役立ちます。

PDFSharp

PDFSharpは、PDFドキュメントをプログラムで作成および修正するために設計されたオープンソース for .NETライブラリです。 その主な強みはPDFの生成と操作にありますが、適切な外部ライブラリと組み合わせることで、既存のPDFファイルを読み取り、コンテンツを抽出するための基本的なツールも提供します。

PDFSharpは、新しいPDFドキュメントをその場で作成するだけでなく、既存のPDFファイルを修正したり、ドキュメントを結合および分割したり、注釈を追加したりすることもできます。

IronPDF

IronPDFは、C#でPDFドキュメントを扱うプロセスを簡素化するために設計された業界標準 for .NETライブラリです。 PDFの生成、操作、PDF暗号化、PDFファイルの変換、PDFページの結合、HTMLからPDFへの変換、コンテンツ抽出などを含む、アプリケーションを構築するための機能豊富なツールです。

その強力な機能により、IronPDFは小規模プロジェクトおよびエンタープライズレベルのアプリケーションの両方でPDFを作成および管理するための多用途なソリューションとして際立っています。

IronPDFは、.NET Core、.NET 5、.NET 6、.NET 7などの最新 for .NETフレームワークおよび.NET Frameworkのようなレガシーバージョンと互換性があるように設計されています。 Windows、macOS、Linuxなどのオペレーティングシステムでシームレスに動作し、Docker、Azure、AWS環境とも完全に互換性があります。 これにより、開発者は任意のプラットフォームやクラウドサービスでPDFのワークフローをデプロイできます。

今日の例のために、Visual Studio内でこのPDFドキュメントからテキストを抽出してみましょう。

PDFSharpを使用してPDFファイルからテキストを抽出する

PDFSharpは、現在のバージョンではPDFドキュメントからのテキスト抽出のネイティブサポートがありません。 主にPDFの作成と操作、グラフィックスの描画、内容の追加、ドキュメントの統合などを目的として設計されていますが、独自のテキスト抽出メカニズムがなく、特殊文字、高度なエンコーディングなどを処理できません。 断片的または不完全なテキスト出力が生じ、PDF内容の代わりに空の文字列が出力されることがあります。 例えば：

異なるフォント、エンコーディング、レイアウトに対する強力なサポートを持つ高度なテキスト抽出が必要な場合は、より専門的なライブラリを使用する必要があるかもしれません。

1. iText (またはiText): これは、テキスト抽出と解析の強力なサポートを持つ人気のPDFライブラリです。

2. **Pdfium:**特に複雑な書式の PDF からテキストを抽出するのに優れたもう 1 つのオプションです。

IronPDFを使用してPDFファイルからテキストを抽出する

さて、テキスト抽出がIronPDFを使用してどのように処理されるかを見てみましょう。 IronPDFのテキスト抽出機能は、開発者に対してPDFドキュメントから効率的にテキストを抽出するための簡潔で強力なメソッドを提供し、データ文字列を正しくフォーマットして読み取り可能なテキストにするために追加のコードが必要ありません。

using IronPdf;

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

using IronPdf;

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

Imports IronPdf

Public Class Program
    Public Shared Sub Main(args As String())
        ' Provide the file path to the PDF document
        Dim pdfPath As String = "invoice.pdf"

        ' Load the PDF document using IronPDF
        Dim pdf = PdfDocument.FromFile(pdfPath)

        ' Extract all text from the PDF
        Dim extractedText = pdf.ExtractAllText()

        ' Output the extracted text to the console
        Console.WriteLine(extractedText)
    End Sub
End Class

Imports IronPdf

Public Class Program
    Public Shared Sub Main(args As String())
        ' Provide the file path to the PDF document
        Dim pdfPath As String = "invoice.pdf"

        ' Load the PDF document using IronPDF
        Dim pdf = PdfDocument.FromFile(pdfPath)

        ' Extract all text from the PDF
        Dim extractedText = pdf.ExtractAllText()

        ' Output the extracted text to the console
        Console.WriteLine(extractedText)
    End Sub
End Class

IronPDFは与えられたPDFパスからテキストを抽出するための簡単で効率的なAPIを提供します。 抽出されたテキストが構造的で正確であることを保証し、アプリケーションでPDFコンテンツを処理する必要がある開発者にとって信頼できるオプションとなっています。

比較

PDFSharpは基本的なPDF作成と操作に適した無料のオープンソースライブラリである一方、機能には制限があり、複雑なPDFには苦戦します。 理論的にはPDFファイルからテキストを抽出するために使用できるかもしれませんが、高度なテキスト解析を必要とし、断片的な出力をもたらすことがあります。

IronPDFは、正確なテキスト抽出、HTMLからPDFへの変換、現代のPDF標準への対応など、高度な機能を備えたより堅牢なソリューションを提供します。 直感的なAPIで、パフォーマンスと使いやすさが最適化されています。 開発には無料で利用でき、商用ライセンスのための商用ライセンスも提供しています。

結論

PDFSharpとIronPDFの両方がC#でPDFからテキストを抽出するための貴重なツールですが、異なる使用ケースに対応しています。

• PDFSharp は、基本的なPDF作成とテキスト抽出のための無料のオープンソースライブラリを必要とする開発者に最適な選択肢です。 ただし、そのテキスト抽出機能は限定的で、より複雑なアプリケーションのニーズを満たさないかもしれません。
• 他方でIronPDFはテキスト抽出、HTMLからPDFへの変換、高度なPDF編集タスクに優れています。 その使いやすさ、クロスプラットフォーム互換性、広範な機能は、プロフェッショナルなPDFワークフローを扱う開発者にとって優れた選択肢となっています。

IronPDFが他のライブラリを上回る方法についての詳細な検討は、公式のIronPDFドキュメントをご覧ください。