W tym poradniku przyjrzymy się, jak wyodrębnić tekst z dokumentów PDF (Portable Document Format) w C# używając dwóch różnych bibliotek PDF.

W dzisiejszych czasach nowoczesnego internetu istnieje wiele bibliotek, które są w stanie wyodrębniać tekst i obrazy z plików PDF do odczytu i analizy. Dzisiaj użyjemy dwóch potężnych bibliotek PDF, IronPDF i QuestPDF, aby wyodrębnić tekst z pliku PDF. Porównując, jak te dwie biblioteki radzą sobie z prostym zadaniem wyodrębniania tekstu, możemy określić, która z nich lepiej nadaje się do obsługi zaawansowanych zadań z PDF. Zanim przejdziemy do sekcji porównania, najpierw przyjrzyjmy się krótkim wprowadzeniom dla każdej z bibliotek.

QuestPDF

QuestPDF to nowoczesna, otwartoźródłowa biblioteka generowania PDF zaprojektowana specjalnie dla programistów .NET. Wykorzystuje nowoczesne deklaratywne API, które umożliwia użytkownikom definiowanie i generowanie skomplikowanych układów PDF z dużą elastycznością i precyzją. Chociaż główny cel QuestPDF to generowanie dokumentów, a nie wyodrębnianie tekstu, zapewnia ono czyste, intuicyjne podejście do budowania dokumentów od podstaw i manipulowania różnymi elementami w dokumencie. Czyni to szczególnie odpowiednim dla aplikacji wymagających dostosowanej, dynamicznej zawartości PDF.

IronPDF

IronPDF to wszechstronna biblioteka przetwarzania PDF zaprojektowana, aby ułatwić i uczynić bardziej efektywną pracę z dokumentami PDF w C#. W przeciwieństwie do QuestPDF, IronPDF zostało zbudowane zarówno do generowania, jak i manipulacji PDF. Oferowane funkcje to m.in. szyfrowanie PDF, rozbudowane wsparcie dla edycji i adnotacji istniejących PDF, konwertowanie różnych dokumentów do formatu PDF, dodawanie nagłówków i stopki (które mogą służyć do wyświetlania numerów stron), edycja metadanych dokumentu, wsparcie dla wielowątkowości i asynchroniczności oraz zaawansowane narzędzia konwersji PDF.

Oprócz bogatego zestawu funkcji, IronPDF oferuje pełne wsparcie dla wielu platform, w tym dla .NET 5/6/7, .NET Core i .NET Framework. Jest również w pełni kompatybilny z Windows, macOS, Linux oraz platformami chmurowymi, jak Azure i AWS, co czyni go doskonałym wyborem dla aplikacji .NET na wielu platformach.

W dzisiejszym przykładzie będziemy wyodrębniać tekst z naszego przykładowego dokumentu faktury PDF przy użyciu obu bibliotek.

Najpierw sprawdzimy, czy QuestPDF poradzi sobie z tym zadaniem.

Wyodrębnianie tekstu z pliku PDF za pomocą QuestPDF

Niestety, mimo że QuestPDF świetnie radzi sobie z tworzeniem PDF i niektórymi zadaniami PDF, wyodrębnianie tekstu nie jest jedną z funkcji, które obecnie oferuje. Chociaż QuestPDF nie jest stworzony do wyodrębniania tekstu z istniejących plików PDF, oferuje podstawowe narzędzia do pracy z PDF, które można rozszerzyć do wyodrębniania tekstu za pomocą dodatkowej logiki lub integracji zewnętrznych. Na przykład, QuestPDF można użyć do generowania dokumentów PDF o zorganizowanej strukturze, a następnie zaimplementować własne rozwiązanie do wyodrębniania zawartości na podstawie struktury dokumentu przy użyciu zewnętrznej biblioteki.

Wyodrębnianie tekstu z pliku PDF za pomocą IronPDF

Wyodrębnianie tekstu to tylko jedno z zadań, które IronPDF doskonale wykonuje w pracy z PDF. W zaledwie kilku liniach kodu jesteśmy w stanie wyodrębnić tekst z całego dokumentu PDF. Można to zobaczyć na poniższym przykładzie kodu:

using IronPdf;

public class Program
{
    public static void Main(string[] args)
    {
        // Load the PDF document
        PdfDocument pdf = PdfDocument.FromFile("exampleInvoice.pdf");
        
        // Extract all the text from the loaded PDF document
        string text = pdf.ExtractAllText();
        
        // Print the extracted text to the console
        Console.WriteLine(text);
    }
}

using IronPdf;

public class Program
{
    public static void Main(string[] args)
    {
        // Load the PDF document
        PdfDocument pdf = PdfDocument.FromFile("exampleInvoice.pdf");
        
        // Extract all the text from the loaded PDF document
        string text = pdf.ExtractAllText();
        
        // Print the extracted text to the console
        Console.WriteLine(text);
    }
}

Imports IronPdf

Public Class Program
    Public Shared Sub Main(args As String())
        ' Load the PDF document
        Dim pdf As PdfDocument = PdfDocument.FromFile("exampleInvoice.pdf")
        
        ' Extract all the text from the loaded PDF document
        Dim text As String = pdf.ExtractAllText()
        
        ' Print the extracted text to the console
        Console.WriteLine(text)
    End Sub
End Class

Imports IronPdf

Public Class Program
    Public Shared Sub Main(args As String())
        ' Load the PDF document
        Dim pdf As PdfDocument = PdfDocument.FromFile("exampleInvoice.pdf")
        
        ' Extract all the text from the loaded PDF document
        Dim text As String = pdf.ExtractAllText()
        
        ' Print the extracted text to the console
        Console.WriteLine(text)
    End Sub
End Class

Plik wyjściowy

Porównanie

IronPDF oferuje proste API do wyodrębniania tekstu, co czyni je idealnym dla deweloperów skupionych na efektywności. W zaledwie trzech liniach wyodrębniliśmy zawartość tekstową w naszym dokumencie PDF i wyświetliliśmy ją do odczytu. Stąd można łatwo zapisać wyekstrahowany tekst do dalszego użycia lub manipulacji.

Z drugiej strony QuestPDF nie poradził sobie z zadaniem takim jak wyodrębnianie tekstu, ze względu na bardziej ograniczoną liczbę funkcji niż biblioteki takie jak IronPDF. Chociaż może obsługiwać inne zadania, takie jak generowanie PDF i podstawowa manipulacja, do wyodrębniania tekstu konieczna byłaby implementacja zewnętrznych bibliotek.

Wnioski

Jeśli chodzi o ekstrakcję tekstu, QuestPDF jest darmowy dzięki licencji społeczności dla projektów prywatnych, a także ma opcję licencji komercyjnych.

Obie biblioteki są dokładne i niezawodne, ale wybór ostatecznie zależy od wymagań projektu.

Aby uzyskać głębsze porównanie tych bibliotek, sprawdź pełny blog na temat IronPDF vs QuestPDF.