Wyodrębnianie tekstu z dokumentów PDF jest powszechnym wymaganiem we współczesnych projektach oprogramowania—od przetwarzania faktur po wydobywanie treści dla wyszukiwarek internetowych. Programiści potrzebują niezawodnych bibliotek, które oferują nie tylko dokładne wyniki, ale także wygodne doświadczenie integracji w aplikacjach C# .NET. Niektórzy programiści korzystają z narzędzi OCR (optyczne rozpoznawanie znaków), aby wyodrębniać dane ze skanowanych dokumentów i obrazów, ale czasami wymagana jest solidna narzędzie do wyodrębniania tekstu.

Jednak przy szeregu bibliotek PDF na rynku, wybór właściwego narzędzia może być przytłaczający. Dwie biblioteki, które często pojawiają się w rozmowach, to iText i IronPDF. Obie mogą wyodrębniać tekst z PDF-ów, ale różnią się znacznie pod względem użyteczności, wsparcia, wydajności i cen. Niniejszy artykuł porównuje obie biblioteki, przyglądając się różnym przykładowym kodom, aby pokazać, jak radzą sobie z wyodrębnianiem tekstu, aby pomóc w podjęciu decyzji, która z nich najlepiej pasuje do twojego projektu.

Przegląd IronPDF i biblioteki iText

iText przez długi czas był popularną open-source'ową biblioteką PDF dla .NET, oferującą potężne narzędzia do generowania, manipulowania i wydobywania treści. Jako port C# opartego na Javie iText, zapewnia dogłębną kontrolę nad strukturami PDF—idealne dla zaawansowanych użytkowników. Jednak ta elastyczność wiąże się z dużą krzywą uczenia się i ograniczeniami licencyjnymi; komercyjne użycie często wymaga płatnej licencji, aby uniknąć zobowiązań AGPL.

Nadeszło IronPDF—nowoczesna, przyjazna dla programistów biblioteka PDF zbudowana dla .NET. Ułatwia wykonywanie typowych zadań, takich jak wyodrębnianie tekstu za pomocą intuicyjnego API, przejrzystej dokumentacji i responsywnego wsparcia. Dzięki temu narzędziu programiści mogą z łatwością wyodrębniać obrazy i tekst z dokumentów PDF, tworzyć nowe pliki PDF, wdrażać zabezpieczenia PDF i więcej.

W przeciwieństwie do iText, IronPDF unika skomplikowanych struktur niskiego poziomu, pozwalając na szybsze i bardziej efektywne działanie. Niezależnie od tego, czy przetważasz jedną stronę, czy setki PDF-ów, utrzymuje wszystko w prostocie.

Jest również aktywnie utrzymywana, z regularnymi aktualizacjami i prostym modelem licencyjnym, w tym darmową wersją próbną i przystępnymi planami dla zespołów i indywidualnych programistów.

Instalacja i użycie IronPDF

IronPDF można zainstalować przez NuGet uruchamiając następujące polecenie w konsoli Menedżera pakietów NuGet:

Install-Package IronPdf

Alternatywnie, możesz zainstalować go za pomocą menedżera pakietów NuGet dla ekranu Solution. Aby to zrobić, przejdź do "Narzędzia > Menedżer pakietów NuGet > Zarządzaj pakietami NuGet dla rozwiązania". Następnie, wyszukaj IronPDF i kliknij 'Zainstaluj'.

Wyodrębnianie tekstu z plików PDF za pomocą IronPDF

Gdy jest zainstalowany, wyodrębnianie tekstu jest proste:

using IronPdf;

// Load the PDF document
var pdf = PdfDocument.FromFile("invoice.pdf");

// Extract text from the PDF
string extractedText = pdf.ExtractAllText();

// Output the extracted text
Console.WriteLine(extractedText);

using IronPdf;

// Load the PDF document
var pdf = PdfDocument.FromFile("invoice.pdf");

// Extract text from the PDF
string extractedText = pdf.ExtractAllText();

// Output the extracted text
Console.WriteLine(extractedText);

Imports IronPdf

' Load the PDF document
Private pdf = PdfDocument.FromFile("invoice.pdf")

' Extract text from the PDF
Private extractedText As String = pdf.ExtractAllText()

' Output the extracted text
Console.WriteLine(extractedText)

Imports IronPdf

' Load the PDF document
Private pdf = PdfDocument.FromFile("invoice.pdf")

' Extract text from the PDF
Private extractedText As String = pdf.ExtractAllText()

' Output the extracted text
Console.WriteLine(extractedText)

Uwaga: Ta metoda czyta cały plik PDF i zwraca tekst w kolejności czytania, oszczędzając godziny na analizie, w porównaniu do tradycyjnych bibliotek.

Nie ma potrzeby obsługiwania kodowań, strumieni treści czy ręcznego przetwarzania. IronPDF radzi sobie z tym wszystkim wewnętrznie, zapewniając czysty i dokładny wynik przy minimalnej konfiguracji. Możesz następnie łatwo zapisać wyodrębniony tekst do nowego pliku tekstowego w celu dalszej manipulacji lub użycia.

Instalacja biblioteki PDF iText

Aby pobrać pakiet podstawowy iText do generowania PDF, użyj następującego polecenia:

Install-Package iTextSharp

Możesz także zainstalować iText przez ekran menedżera pakietów dla rozwiązań. Aby to zrobić, najpierw musisz przejść do rozwijanego menu Narzędzia, a następnie znaleźć 'NuGet Package Manager > Zarządzaj pakietami NuGet dla rozwiązania'. Następnie po prostu wyszukaj iText i kliknij "Zainstaluj".

Wyodrębnij tekst z dokumentów PDF za pomocą iText

Oto przykład wyodrębniania tekstu z jednej strony PDF:

using iText.Kernel.Pdf;
using iText.Kernel.Pdf.Canvas.Parser;
using iText.Kernel.Pdf.Canvas.Parser.Listener;

// Define the path to your PDF
string path = "sample.pdf";

// Open the PDF reader and document
using (PdfReader reader = new PdfReader(path))
using (PdfDocument pdf = new PdfDocument(reader))
{
    // Use a simple text extraction strategy
    var strategy = new SimpleTextExtractionStrategy();
    
    // Extract text from the first page
    string pageText = PdfTextExtractor.GetTextFromPage(pdf.GetPage(1), strategy);
    
    // Output the extracted text
    Console.WriteLine(pageText);
}

using iText.Kernel.Pdf;
using iText.Kernel.Pdf.Canvas.Parser;
using iText.Kernel.Pdf.Canvas.Parser.Listener;

// Define the path to your PDF
string path = "sample.pdf";

// Open the PDF reader and document
using (PdfReader reader = new PdfReader(path))
using (PdfDocument pdf = new PdfDocument(reader))
{
    // Use a simple text extraction strategy
    var strategy = new SimpleTextExtractionStrategy();
    
    // Extract text from the first page
    string pageText = PdfTextExtractor.GetTextFromPage(pdf.GetPage(1), strategy);
    
    // Output the extracted text
    Console.WriteLine(pageText);
}

Imports iText.Kernel.Pdf
Imports iText.Kernel.Pdf.Canvas.Parser
Imports iText.Kernel.Pdf.Canvas.Parser.Listener

' Define the path to your PDF
Dim path As String = "sample.pdf"

' Open the PDF reader and document
Using reader As New PdfReader(path)
    Using pdf As New PdfDocument(reader)
        ' Use a simple text extraction strategy
        Dim strategy = New SimpleTextExtractionStrategy()
        
        ' Extract text from the first page
        Dim pageText As String = PdfTextExtractor.GetTextFromPage(pdf.GetPage(1), strategy)
        
        ' Output the extracted text
        Console.WriteLine(pageText)
    End Using
End Using

Imports iText.Kernel.Pdf
Imports iText.Kernel.Pdf.Canvas.Parser
Imports iText.Kernel.Pdf.Canvas.Parser.Listener

' Define the path to your PDF
Dim path As String = "sample.pdf"

' Open the PDF reader and document
Using reader As New PdfReader(path)
    Using pdf As New PdfDocument(reader)
        ' Use a simple text extraction strategy
        Dim strategy = New SimpleTextExtractionStrategy()
        
        ' Extract text from the first page
        Dim pageText As String = PdfTextExtractor.GetTextFromPage(pdf.GetPage(1), strategy)
        
        ' Output the extracted text
        Console.WriteLine(pageText)
    End Using
End Using

Ten przykład demonstruje możliwości iText, ale zwróć uwagę na rozwlekłość i dodatkowe obiekty potrzebne do wykonania prostego zadania.

Szczegółowe porównanie

Teraz, gdy omówiliśmy instalację i podstawowe użycie, spójrzmy na bardziej szczegółowe porównanie, jak te dwie biblioteki radzą sobie z wyodrębnianiem tekstu, wyodrębniając tekst z wielostronicowego dokumentu PDF.

Zaawansowany przykład: Wyodrębnianie tekstu z zakresu stron za pomocą IronPDF

IronPDF obsługuje szczegółową kontrolę nad wyborem stron i świadomość układu przy wyodrębnianiu tekstu.

using IronPdf;

// Load the PDF document
var pdf = PdfDocument.FromFile("longPdf.pdf");

// Define the page numbers to extract text from
int[] pages = new[] { 2, 3, 4 };

// Extract text from the specified pages
var text = pdf.ExtractTextFromPages(pages);

// Output the extracted text
Console.WriteLine("Extracted text from pages 2, 3, and 4:\n" + text);

using IronPdf;

// Load the PDF document
var pdf = PdfDocument.FromFile("longPdf.pdf");

// Define the page numbers to extract text from
int[] pages = new[] { 2, 3, 4 };

// Extract text from the specified pages
var text = pdf.ExtractTextFromPages(pages);

// Output the extracted text
Console.WriteLine("Extracted text from pages 2, 3, and 4:\n" + text);

Imports Microsoft.VisualBasic
Imports IronPdf

' Load the PDF document
Private pdf = PdfDocument.FromFile("longPdf.pdf")

' Define the page numbers to extract text from
Private pages() As Integer = { 2, 3, 4 }

' Extract text from the specified pages
Private text = pdf.ExtractTextFromPages(pages)

' Output the extracted text
Console.WriteLine("Extracted text from pages 2, 3, and 4:" & vbLf & text)

Imports Microsoft.VisualBasic
Imports IronPdf

' Load the PDF document
Private pdf = PdfDocument.FromFile("longPdf.pdf")

' Define the page numbers to extract text from
Private pages() As Integer = { 2, 3, 4 }

' Extract text from the specified pages
Private text = pdf.ExtractTextFromPages(pages)

' Output the extracted text
Console.WriteLine("Extracted text from pages 2, 3, and 4:" & vbLf & text)

Zaawansowany przykład: Wyodrębnianie tekstu z zakresu stron za pomocą iText

W iText musisz ręcznie określić zakres stron i wyodrębnić tekst przy użyciu PdfTextExtractor:

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
using System.IO;
using System.Text;

// Load the PDF document
PdfReader reader = new PdfReader("longPdf.pdf");
StringBuilder textBuilder = new StringBuilder();

// Extract text from pages 2–4
for (int i = 2; i <= 4; i++)
{
    string pageText = PdfTextExtractor.GetTextFromPage(reader, i, new LocationTextExtractionStrategy());
    textBuilder.AppendLine(pageText);
}

// Output the extracted text
Console.WriteLine(textBuilder.ToString());

// Close the PDF reader
reader.Close();

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
using System.IO;
using System.Text;

// Load the PDF document
PdfReader reader = new PdfReader("longPdf.pdf");
StringBuilder textBuilder = new StringBuilder();

// Extract text from pages 2–4
for (int i = 2; i <= 4; i++)
{
    string pageText = PdfTextExtractor.GetTextFromPage(reader, i, new LocationTextExtractionStrategy());
    textBuilder.AppendLine(pageText);
}

// Output the extracted text
Console.WriteLine(textBuilder.ToString());

// Close the PDF reader
reader.Close();

Imports iTextSharp.text.pdf
Imports iTextSharp.text.pdf.parser
Imports System.IO
Imports System.Text

' Load the PDF document
Private reader As New PdfReader("longPdf.pdf")
Private textBuilder As New StringBuilder()

' Extract text from pages 2–4
For i As Integer = 2 To 4
	Dim pageText As String = PdfTextExtractor.GetTextFromPage(reader, i, New LocationTextExtractionStrategy())
	textBuilder.AppendLine(pageText)
Next i

' Output the extracted text
Console.WriteLine(textBuilder.ToString())

' Close the PDF reader
reader.Close()

Imports iTextSharp.text.pdf
Imports iTextSharp.text.pdf.parser
Imports System.IO
Imports System.Text

' Load the PDF document
Private reader As New PdfReader("longPdf.pdf")
Private textBuilder As New StringBuilder()

' Extract text from pages 2–4
For i As Integer = 2 To 4
	Dim pageText As String = PdfTextExtractor.GetTextFromPage(reader, i, New LocationTextExtractionStrategy())
	textBuilder.AppendLine(pageText)
Next i

' Output the extracted text
Console.WriteLine(textBuilder.ToString())

' Close the PDF reader
reader.Close()

Podsumowanie porównania kodu

Zarówno IronPDF, jak i iText są zdolne do zaawansowanego wyodrębniania tekstu z PDF, ale ich podejścia znacznie różnią się pod względem złożoności i klarowności:

• IronPDF utrzymuje wszystko czystym i dostępnym. Jego metody wysokopoziomowe, takie jak PdfDocument.ExtractAllText(), umożliwiają wyodrębnianie strukturalnej zawartości przy minimalnym nakładzie pracy. Kod jest prosty, co ułatwia wdrożenie nawet dla programistów nowych w przetwarzaniu PDF.

• iText, z drugiej strony, wymaga głębszego zrozumienia struktury PDF. Wyodrębnianie tekstu wymaga ustawienia niestandardowych słuchaczy renderowania, ręcznego zarządzania stronami i interpretowania danych układu linia po linii. Chociaż potężne, jest bardziej rozbudowane i mniej intuicyjne, co czyni IronPDF szybszym i łatwiejszym w utrzymaniu rozwiązaniem dla większości projektów .NET.

Ale nasze porównanie tutaj się nie kończy. Następnie przyjrzyjmy się, jak te dwie biblioteki porównują się pod innymi względami.

Szczegółowe porównanie: IronPDF vs iText

Podczas oceniania bibliotek do wyodrębniania tekstu PDF dla .NET, programiści często rozważają równowagę między prostotą, wydajnością i długoterminowym wsparciem. Rozbijmy, jak IronPDF i iText porównują się w rzeczywistym wykorzystaniu, zwłaszcza w zakresie wyodrębniania tekstu z PDF w C#.

1. Łatwość użycia

IronPDF: Czyste i nowoczesne API

IronPDF kładzie nacisk na doświadczenie dewelopera. Instalacja jest łatwa przez NuGet, a składnia intuicyjna:

using IronPdf;

// Load the PDF
var pdf = PdfDocument.FromFile("sample.pdf");

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

// Output the extracted text
Console.WriteLine(extractedText);

using IronPdf;

// Load the PDF
var pdf = PdfDocument.FromFile("sample.pdf");

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

// Output the extracted text
Console.WriteLine(extractedText);

Imports IronPdf

' Load the PDF
Private pdf = PdfDocument.FromFile("sample.pdf")

' Extract all text from every page
Private extractedText As String = pdf.ExtractAllText()

' Output the extracted text
Console.WriteLine(extractedText)

Imports IronPdf

' Load the PDF
Private pdf = PdfDocument.FromFile("sample.pdf")

' Extract all text from every page
Private extractedText As String = pdf.ExtractAllText()

' Output the extracted text
Console.WriteLine(extractedText)

IronPDF abstrahuje złożoność za pomocą prostych wywołań metod jak ExtractAllText(), wymagając bez szablonów lub logiki analizy.

iText: Bardziej rozwlekły i niższego poziomu

iText wymaga ręcznego parsowania każdej strony i więcej wysiłku, aby wyodrębnić zwykły tekst.

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
using System.IO;
using System.Text;

// Load the PDF
var reader = new PdfReader("sample.pdf");
StringBuilder text = new StringBuilder();

for (int i = 1; i <= reader.NumberOfPages; i++)
{
    text.Append(PdfTextExtractor.GetTextFromPage(reader, i));
}

// Output the extracted text
Console.WriteLine(text.ToString());

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
using System.IO;
using System.Text;

// Load the PDF
var reader = new PdfReader("sample.pdf");
StringBuilder text = new StringBuilder();

for (int i = 1; i <= reader.NumberOfPages; i++)
{
    text.Append(PdfTextExtractor.GetTextFromPage(reader, i));
}

// Output the extracted text
Console.WriteLine(text.ToString());

Imports iTextSharp.text.pdf
Imports iTextSharp.text.pdf.parser
Imports System.IO
Imports System.Text

' Load the PDF
Private reader = New PdfReader("sample.pdf")
Private text As New StringBuilder()

For i As Integer = 1 To reader.NumberOfPages
	text.Append(PdfTextExtractor.GetTextFromPage(reader, i))
Next i

' Output the extracted text
Console.WriteLine(text.ToString())

Imports iTextSharp.text.pdf
Imports iTextSharp.text.pdf.parser
Imports System.IO
Imports System.Text

' Load the PDF
Private reader = New PdfReader("sample.pdf")
Private text As New StringBuilder()

For i As Integer = 1 To reader.NumberOfPages
	text.Append(PdfTextExtractor.GetTextFromPage(reader, i))
Next i

' Output the extracted text
Console.WriteLine(text.ToString())

Programiści muszą ręcznie pętlić przez strony, co wprowadza więcej kodu i potencjalne błędy w przypadku wystąpienia skrajnych przypadków.

2. Wydajność i niezawodność

• IronPDF jest zbudowany na nowoczesnym silniku renderowania (Chromium), co czyni go dobrze przystosowanym do nowoczesnych PDF-ów, nawet tych z osadzonymi czcionkami, obrotowym tekstem i wieloma układami. Wyodrębnianie tekstu jest świadome układu i naturalnie zachowuje odstępy.

• iText, mimo że jest potężny, może borykać się z złożonym formatowaniem. Pliki PDF z mieszaną orientacją lub niestandardowymi kodowaniami mogą dać zniekształcony lub niewłaściwie uporządkowany tekst.

3. Koszt i licencjonowanie

4. Wsparcie dewelopera i dokumentacja

• IronPDF: Posiada nowoczesną dokumentację, wideo-tutoriale i szybkie wsparcie oparte na zgłoszeniach.

• iText: Dobra dokumentacja, ale ograniczone darmowe wsparcie, chyba że jesteś płatnym klientem.

5. Podsumowanie między bibliotekami

Wnioski

Jeśli chodzi o wyodrębnianie tekstu z PDF w C#, zarówno IronPDF, jak i iText są zdolnymi narzędziami - ale obsługują różne typy deweloperów. Jeśli szukasz nowoczesnego, łatwego do zintegrowania rozwiązania z doskonałym wsparciem, aktywnie utrzymywanymi funkcjami i bezproblemowym zachowaniem układu, IronPDF wyraźnie się wyróżnia. Skraca czas programowania, oferuje intuicyjne API i dobrze sprawdza się w szerokim zakresie aplikacji na platformie .NET, od aplikacji webowych po systemy korporacyjne.

Z drugiej strony, iText pozostaje mocną opcją dla deweloperów już wdrożonych w jego ekosystemie lub tych, którzy wymagają drobiazgowego zarządzania strategiami wyodrębniania tekstu. Jednak jego trudniejsza krzywa nauki i brak komercyjnego wsparcia mogą spowalniać projekty, które muszą szybko skalować lub utrzymywać czyste bazy kodu.

Dla deweloperów .NET, którzy cenią sobie szybkość, jasność i niezawodne wyniki, IronPDF zapewnia przyszłościowe rozwiązanie. Niezależnie od tego, czy budujesz narzędzia do automatyzacji dokumentów, wyszukiwarki, czy wewnętrzne tablice kontrolne, solidne funkcje i wydajność IronPDF pomogą dostarczyć szybciej i sprytniej.

Wypróbuj IronPDF już dziś, pobierając bezpłatną wersję próbną i sam doświadcz różnicy. Dzięki darmowej wersji próbnej i przyjaznemu dla deweloperów API możesz rozpocząć w ciągu kilku minut.