Wyodrębnij tekst z PDF w C# używając iTextSharp VS IronPDF

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)

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.

Wyodrębnianie tekstu z dokumentów PDF za pomocą iTextSharp

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
Private 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 iTextSharp, ale zauważ verbosowość i dodatkowe obiekty wymagane do wykonania prostego zadania.

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)

Zaawansowany przykład: Wyodrębnianie tekstu z zakresu stron używając iTextSharp

W iTextSharp musisz ręcznie określić zakres stron i wyodrębniać tekst używając 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()

Podsumowanie porównania kodu

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

• 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.

• iTextSharp, 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.

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)

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

iTextSharp: Bardziej rozbudowane i niższego poziomu

iTextSharp wymaga ręcznego przetwarzania 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())

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.

• iTextSharp, chociaż potężny, może mieć trudności 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.

• iTextSharp: Dobra dokumentacja, ale ograniczone bezpłatne wsparcie, chyba że jesteś płatnym klientem.

5. Podsumowanie między bibliotekami