W dzisiejszym tutorialu będziemy eksplorować, jak wydobywać tekst z dokumentów PDF przy użyciu dwóch potężnych bibliotek PDF, IronPDF i PDFSharp. Dowiemy się, jak działa wyodrębnianie tekstu za pomocą tych narzędzi bez konieczności posiadania licencji na bibliotekę Adobe oraz jak wypadają one w porównaniu ze sobą.

Istnieje wiele bibliotek skupiających się na plikach PDF, a poświęcając czas na ich porównanie i zapoznanie się z działaniem ich funkcji, będziesz w stanie wybrać bibliotekę odpowiednią do potrzeb Twojego projektu. Wyodrębnianie tekstu to tylko jeden z wielu przykładów zadań, które mogą być konieczne do wykonania na plikach PDF. Wyodrębnianie tekstu jest pomocne w sytuacjach, w których może zaistnieć potrzeba efektywnego odczytania lub analizy danych z plików PDF.

PDFsharp

PDFSharp to biblioteka open-source .NET zaprojektowana do tworzenia i modyfikowania dokumentów PDF programowo. Chociaż jego główną zaletą jest generowanie i edycja plików PDF, w połączeniu z odpowiednimi bibliotekami zewnętrznymi zapewnia również podstawowe narzędzia do odczytu istniejących plików PDF i wyodrębniania treści.

PDFSharp potrafi więcej niż tylko tworzenie nowych dokumentów PDF na bieżąco, można go używać do modyfikacji istniejących plików PDF, scalania i dzielenia dokumentów, dodawania adnotacji i nie tylko.

IronPDF

IronPDF to profesjonalna biblioteka .NET zaprojektowana w celu uproszczenia pracy z dokumentami PDF w języku C#. Jest to bogate w funkcje narzędzie przeznaczone dla programistów tworzących aplikacje związane z generowaniem i edycją plików PDF, szyfrowaniem plików PDF, konwersją plików PDF, scałaniem stron PDF, konwersją HTML do PDF, wyodrębnianiem treści i nie tylko.

Dzięki swoim rozbudowanym możliwościom IronPDF wyróżnia się jako wszechstronne rozwiązanie do tworzenia plików PDF i zarządzania nimi zarówno w małych projektach, jak i w aplikacjach na poziomie Enterprise.

IronPDF został zaprojektowany tak, aby był kompatybilny z nowoczesnymi frameworkami .NET, w tym .NET Core, .NET 5, .NET 6 i .NET 7, a także starszymi wersjami, takimi jak .NET Framework. Działa płynnie na różnych systemach operacyjnych, takich jak Windows, macOS i Linux, i jest w pełni kompatybilny ze środowiskami Docker, Azure i AWS. Dzięki temu programiści mogą wdrażać swoje procesy związane z plikami PDF na dowolnej platformie lub w dowolnej usłudze w chmurze.

W dzisiejszym przykładzie spróbujemy wyodrębnić tekst z tego dokumentu PDF w programie Visual Studio:

Wydobywanie tekstu z pliku PDF za pomocą PDFSharp

PDFSharp w obecnej wersji nie obsługuje natywnie wyodrębniania tekstu z dokumentów PDF. Jest przeznaczony przede wszystkim do tworzenia i edycji plików PDF, takich jak rysowanie grafiki, dodawanie treści i scałanie dokumentów, ale nie posiada wbudowanego mechanizmu do samodzielnego wyodrębniania tekstu, nie obsługuje znaków specjalnych, zaawansowanego kodowania itp. Może to skutkować fragmentarycznym lub niekompletnym tekstem wyjściowym albo pustymi ciągami znaków zamiast rzeczywistej treści pliku PDF. Na przykład:

Jeśli potrzebujesz zaawansowanego wyodrębniania tekstu z lepszą obsługą różnych czcionek, kodowań i układów, prawdopodobnie będziesz musiał skorzystać z bardziej wyspecjalizowanej biblioteki, takiej jak:

1. iText (lub iText): To popularna biblioteka PDF z silnym wsparciem dla wydobywania i parsingu tekstu.

2. Pdfium: Kolejna opcja, która doskonale sprawdza się w wyodrębnianiu tekstu, zwłaszcza z plików PDF o złożonym formatowaniu.

Wyodrębnianie tekstu z pliku PDF za pomocą IronPDF

Zobaczmy teraz, jak wygląda pobieranie tekstu przy użyciu IronPDF. Funkcja wyodrębniania tekstu w IronPDF zapewnia programistom zwięzłą, a jednocześnie potężną metodę wydajnego wyodrębniania tekstu z dokumentów PDF, bez konieczności stosowania dodatkowego kodu w celu poprawnego sformatowania ciągu danych w czytelny tekst.

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 zapewnia proste i wydajne API do wyodrębniania tekstu z podanej ścieżki pliku PDF. Gwarantuje to, że wyodrębniony tekst jest dobrze zorganizowany i dokładny, co czyni go niezawodnym rozwiązaniem dla programistów, którzy muszą przetwarzać zawartość plików PDF w swoich aplikacjach.

Porównanie

PDFSharp to bezpłatna biblioteka typu open source, idealna do podstawowego tworzenia i edycji plików PDF, ale ma ograniczoną funkcjonalność i ma trudności z obsługą złożonych plików PDF. Chociaż teoretycznie można go używać do wyodrębniania tekstu z plików PDF, wymagałoby to zaawansowanego parsowania tekstu i mogłoby skutkować fragmentarycznym wynikiem.

IronPDF oferuje bardziej niezawodne rozwiązanie z zaawansowanymi funkcjami, takimi jak dokładne wyodrębnianie tekstu, konwersja HTML do PDF oraz obsługa nowoczesnych standardów PDF. Jest zoptymalizowany pod kątem wydajności i łatwości użytkowania dzięki intuicyjnemu API. Chociaż jest to oprogramowanie darmowe do celów programistycznych, oferuje również licencje komercyjne w ramach płatnych planów licencyjnych.

Wnioski

Zarówno PDFSharp, jak i IronPDF to wartościowe narzędzia do pracy z wydobywaniem tekstu z PDF w C#, ale skierowane są do różnych przypadków użycia:

• PDFSharp to doskonały wybór dla programistów, którzy potrzebują bezpłatnej biblioteki typu open source do podstawowego tworzenia plików PDF i wyodrębniania tekstu. Jednak jego możliwości w zakresie ekstrakcji tekstu są ograniczone i mogą nie spełniać wymagań bardziej złożonych aplikacji.
• Z kolei IronPDF wyróżnia się w zakresie wyodrębniania tekstu, konwersji HTML do PDF oraz zaawansowanych zadań związanych z edycją plików PDF. Łatwość obsługi, kompatybilność międzyplatformowa oraz szeroki zakres funkcji sprawiają, że jest to preferowany wybór dla programistów obsługujących profesjonalne procesy związane z plikami PDF.

Aby dowiedzieć się więcej o tym, jak IronPDF przewyższa inne biblioteki, odwiedź oficjalną dokumentację IronPDF.