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.