C# Wyodrębnij tekst z PDF (Samouczek z przykładem kodu)

1. Funkcje IronPDF

IronPDF to solidny konwerter plików PDF, który może wykonywać niemal każdą operację dostępną w przeglądarce. Tworzenie, odczytywanie i edycja dokumentów PDF jest prosta dzięki bibliotece .NET dla programistów. IronPDF konwertuje dokumenty HTML do formatu PDF przy użyciu silnika Chrome. IronPDF obsługuje między innymi HTML, ASPX, Razor HTML i MVC View. Aplikacja Microsoft .NET jest obsługiwana przez IronPDF (zarówno aplikacje internetowe ASP.NET, jak i tradycyjne aplikacje Windows). IronPDF może być również wykorzystywany do tworzenia atrakcyjnych wizualnie dokumentów PDF.

Za pomocą IronPDF możemy utworzyć dokument PDF z plików HTML5, JavaScript, CSS i obrazów. Ponadto pliki mogą zawierać nagłówki i stopki. Dzięki IronPDF możemy z łatwością odczytać dokument PDF. IronPDF posiada również kompleksowy silnik konwersji plików PDF oraz potężny konwerter HTML na PDF, który obsługuje dokumenty PDF.

• Tworzenie plików PDF: Generuj pliki PDF z HTML, JavaScript, CSS, obrazów lub adresów URL. Dodaj nagłówki, stopki, zakładki, znaki wodne i inne niestandardowe elementy, aby uatrakcyjnić wygląd.
• Konwersja HTML do PDF: Konwertuj pliki HTML, widoki Razor/MVC oraz pliki CSS typu media bezpośrednio do formatu PDF.
• Funkcje interaktywnych plików PDF: Twórz, wypełniaj i przesyłaj interaktywne formularze PDF.
• Pobieranie tekstu i obrazów: Pobieraj tekst lub obrazy z istniejących dokumentów PDF w celu przetwarzania danych lub ponownego wykorzystania.
• Manipulacja dokumentami: scalanie, dzielenie i zmiana kolejności stron w nowych lub istniejących plikach PDF.
• Obsługa obrazów i stron: Rasteryzacja stron PDF do obrazów oraz konwersja obrazów do formatu PDF.
• Praca z niestandardowymi danymi logowania: IronPDF umożliwia tworzenie dokumentów na podstawie adresu URL. Obsługuje również niestandardowe dane logowania do sieci, agenty użytkownika, serwery proxy, pliki cookie, nagłówki HTTP oraz zmienne formularzy do logowania za pomocą formularzy logowania HTML.
• Wyszukiwanie i dostępność: Wyszukiwanie tekstu w dokumentach PDF i zapewnienie zgodności z normami dostępności.
• Wszechstronność konwersji: Przekształcaj pliki PDF na inne formaty, takie jak HTML, i korzystaj z plików CSS do generowania plików PDF.
• Funkcjonalność autonomiczna: Działa niezależnie, bez konieczności korzystania z programu Adobe Acrobat lub dodatkowych narzędzi innych firm.

2. Tworzenie nowego projektu w Visual Studio

Otwórz oprogramowanie Visual Studio i przejdź do menu Plik. Wybierz "Nowy projekt", a następnie "Aplikacja konsolowa". W tym artykule wykorzystamy aplikację konsolową do generowania dokumentów PDF.

Utwórz nowy projekt w Visual Studio

Wpisz nazwę projektu i wybierz ścieżkę do pliku w odpowiednim polu tekstowym. Następnie kliknij przycisk Utwórz i wybierz wymagany .NET Framework, tak jak na poniższym zrzucie ekranu.

Konfiguracja nowego projektu w Visual Studio

Projekt Visual Studio wygeneruje teraz strukturę dla wybranej aplikacji, a jeśli wybrano aplikację konsolową, aplikację dla systemu Windows lub aplikację internetową, otworzy plik program.cs, w którym można wprowadzić kod oraz skompilować i uruchomić aplikację.

Wybór .NET Core

Następnie możemy dodać bibliotekę, aby przetestować kod.

3. Zainstaluj bibliotekę IronPDF

Bibliotekę IronPDF można pobrać i zainstalować na cztery sposoby.

Są to:

• Korzystanie z programu Visual Studio.
• Korzystanie z wiersza poleceń programu Visual Studio.
• Bezpośrednie pobranie ze strony NuGet.
• Bezpośrednie pobranie ze strony internetowej IronPDF.

Install-Package IronPdf

4. Wyodrębnianie tekstu za pomocą IronPDF

Program IronPDF pozwala nam na wyodrębnianie tekstu z pliku PDF oraz konwertowanie stron PDF na obiekty PDF. Poniżej znajduje się przykład wykorzystania IronPDF do odczytania istniejącego pliku PDF.

Pierwszym podejściem jest wyodrębnienie tekstu z pliku PDF, a przykładowy fragment kodu znajduje się poniżej.

using IronPdf;

// Load an existing PDF document from a file
var pdfDocument = PdfDocument.FromFile("result.pdf");

// Extract all text from the entire PDF document
string allText = pdfDocument.ExtractAllText();

using IronPdf;

// Load an existing PDF document from a file
var pdfDocument = PdfDocument.FromFile("result.pdf");

// Extract all text from the entire PDF document
string allText = pdfDocument.ExtractAllText();

Imports IronPdf

' Load an existing PDF document from a file
Private pdfDocument = PdfDocument.FromFile("result.pdf")

' Extract all text from the entire PDF document
Private allText As String = pdfDocument.ExtractAllText()

Metoda statyczna FromFile służy do ładowania dokumentu PDF z istniejącego pliku i przekształcania go w obiekty PDFDocument, jak pokazano w powyższym kodzie. Za pomocą tego obiektu możemy odczytywać tekst i obrazy dostępne na stronach pliku PDF. Obiekt posiada metodę o nazwie ExtractAllText, która wyodrębnia cały tekst z dokumentu PDF, a następnie umieszcza go w ciągu znaków, który możemy wykorzystać do dalszego przetwarzania.

Poniżej znajduje się przykład kodu dla drugiej metody, którą możemy wykorzystać do wyodrębniania tekstu z pliku PDF, strona po stronie.

using IronPdf;

// Load an existing PDF document from a file
using PdfDocument pdf = PdfDocument.FromFile("result.pdf");

// Loop through each page of the PDF document
for (var index = 0; index < pdf.PageCount; index++)
{
    // Extract text from the current page
    string text = pdf.ExtractTextFromPage(index);
}

using IronPdf;

// Load an existing PDF document from a file
using PdfDocument pdf = PdfDocument.FromFile("result.pdf");

// Loop through each page of the PDF document
for (var index = 0; index < pdf.PageCount; index++)
{
    // Extract text from the current page
    string text = pdf.ExtractTextFromPage(index);
}

Imports IronPdf

' Load an existing PDF document from a file
Private PdfDocument As using

' Loop through each page of the PDF document
For index = 0 To pdf.PageCount - 1
	' Extract text from the current page
	Dim text As String = pdf.ExtractTextFromPage(index)
Next index

W powyższym kodzie widzimy, że najpierw zostanie załadowany cały dokument PDF i przekonwertowany na obiekt PDF. Następnie uzyskujemy liczbę stron całego dokumentu PDF, korzystając z wbudowanej właściwości o nazwie PageCount, która pobiera całkowitą liczbę stron dostępnych w załadowanym dokumencie PDF. Użycie pętli "for" i funkcji ExtractTextFromPage pozwala nam przekazać numer strony jako parametr w celu wyodrębnienia tekstu z załadowanego dokumentu. Następnie zapisze dokładny tekst w zmiennej typu string. Podobnie, będzie wyciągać tekst z pliku PDF strona po stronie za pomocą pętli "for" lub "for each".

5. Podsumowanie

IronPDF to wszechstronna i wydajna biblioteka PDF zaprojektowana w celu płynnej pracy z plikami PDF w aplikacjach .NET. Jego rozbudowane funkcje umożliwiają programistom tworzenie, modyfikowanie i wyodrębnianie treści z plików PDF bez konieczności korzystania z oprogramowania innych firm, takiego jak Adobe Reader. Jedną z wyróżniających się funkcji IronPDF jest możliwość wyodrębniania tekstu z dokumentów PDF. Ta funkcja jest nieoceniona przy automatyzacji zadań, takich jak analiza danych, indeksowanie dokumentów, migracja treści oraz wdrażanie funkcji ułatwień dostępu. Umożliwiając programistom programowe pobieranie i przetwarzanie tekstu, IronPDF upraszcza przepływ pracy i otwiera nowe możliwości obsługi treści PDF.

Dzięki prostej integracji i obsłudze wielu platform IronPDF jest doskonałym wyborem dla programistów, którzy chcą efektywnie obsługiwać dokumenty PDF. Ponadto IronPDF oferuje bezpłatną wersję próbną, która pozwala bez ryzyka zapoznać się z pełnym zakresem funkcji przed podjęciem decyzji o zakupie. Aby uzyskać szczegółowe informacje na temat cen i opcji licencyjnych, odwiedź stronę z cennikiem.