Extract Embedded Text and Images from PDFs in C#

정확한 좌표를 사용하여 텍스트를 추출하려면 어떻게 해야 하나요?

각 PDF 페이지 내의 텍스트 줄과 문자의 좌표를 가져옵니다. PDF에서 페이지를 선택하고 Lines 및 Characters 속성에 액세스합니다. 좌표에는 텍스트 위치를 나타내는 Top, Right, Bottom 및 Left 값이 포함됩니다. 이 기능은 공간 레이아웃을 유지하고 텍스트 위치 분석을 가능하게 합니다.

위치 정보를 활용하여 C#에서 PDF 파일을 읽어야 하는 개발자에게 좌표 추출은 문서 구조를 유지하고 고급 텍스트 분석을 구현하는 데 필요한 데이터를 제공합니다.

: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}"));

이미지 추출에는 어떤 방법들이 있나요?

ExtractAllImages 방법 외에도 ExtractAllBitmaps 및 ExtractAllRawImages 방법을 사용하여 이미지 정보를 추출하십시오. ExtractAllBitmaps는 AnyBitmap의 리스트를 반환하는 반면, ExtractAllRawImages는 모든 이미지를 추출하여 원시 바이트 배열(byte[])로 반환합니다.

ExtractAllRawImages 방식은 메모리에서 이미지 데이터를 처리하거나 바이트 배열 입력이 필요한 시스템과 통합할 때 효과적입니다. PDF를 메모리 스트림으로 내보내는 시나리오의 경우, 원시 바이트 배열 형식이 최적의 유연성을 제공합니다.

모든 페이지 대신 특정 페이지에서만 추출해야 하는 경우는 언제인가요?

다음과 같은 경우 특정 페이지에서 추출합니다.

• 특정 섹션에 관련 데이터가 포함된 대용량 PDF 파일 작업
• 페이지를 독립적으로 처리하는 워크플로 구현
• 점진적인 콘텐츠 표시 또는 처리가 필요한 애플리케이션 구축
• 필요한 페이지만 처리하여 메모리 사용량을 최적화합니다.
• 페이지별 검색 또는 색인 기능 생성

성능 관련 고려 사항에 대해 무엇을 알아야 할까요?

PDF 콘텐츠를 추출할 때 다음과 같은 성능 요소를 고려하십시오.

• 메모리 사용량 : 대용량 문서에서 페이지를 개별적으로 추출하여 메모리 사용량을 최소화합니다.
• 처리 시간 : 여러 페이지로 구성된 추출 작업에는 적절한 경우 병렬 처리를 사용하십시오.
• 파일 크기 : 고해상도 이미지가 포함된 대용량 PDF 파일은 처리 시간이 더 오래 걸립니다.
• 저장 공간 : 고해상도 이미지를 여러 장 추출할 수 있도록 충분한 디스크 공간을 확보하세요.
• 스레딩 : IronPDF는 멀티코어 시스템에서 성능 향상을 위해 멀티스레드 작업을 지원합니다.

메모리 내 PDF를 사용할 때 최적의 성능을 얻으려면 메모리 스트림 연산을 사용하여 디스크 I/O 오버헤드를 줄이십시오.