Jak odczytywać dane z plików PDF w ASP.NET Core

Jak skonfigurować IronPDF w projekcie ASP.NET Core?

Rozpoczęcie pracy jest proste. Zainstaluj pakiet IronPDF NuGet z konsoli NuGet Package Manager Console lub .NET CLI, używając jednego z poniższych poleceń:

Install-Package IronPdf
dotnet add package IronPdf

Install-Package IronPdf
dotnet add package IronPdf

Po zainstalowaniu pakietu dodaj przestrzeń nazw IronPDF na początku każdego pliku obsługującego dokumenty PDF:

using IronPdf;

using IronPdf;

Imports IronPdf

To wszystko, co jest potrzebne do rozpoczęcia większości projektów. IronPDF nie jest zależny od zewnętrznych procesów renderowania ani dodatkowych natywnych zależności w systemie Windows. W przypadku środowisk Linux lub Docker należy zapoznać się z dokumentacją IronPDF, aby uzyskać wskazówki dotyczące konkretnej platformy.

Bezpłatna licencja próbna pozwala przetestować pełen zestaw funkcji przed podjęciem decyzji o wdrożeniu do użytku produkcyjnego. Licencję Trial można uzyskać bezpośrednio ze strony IronPDF i zastosować ją w jednym wierszu kodu przed pierwszą operacją na pliku PDF.

Jak wyodrębnić tekst z pliku PDF?

Wyodrębnianie tekstu jest najczęstszym zadaniem związanym z odczytywaniem plików PDF. IronPDF udostępnia ExtractAllText do pobierania całego czytelnego tekstu z dokumentu oraz ExtractTextFromPage do dostępu na poziomie strony. Obie metody zachowują kolejność czytania i obsługują standardowe kodowania tekstu.

// Load a PDF document from disk
var pdf = PdfDocument.FromFile("document.pdf");

// Extract all text from every page
string allText = pdf.ExtractAllText();

// Extract text from a specific page (zero-based index)
string pageOneText = pdf.ExtractTextFromPage(0);

Console.WriteLine(allText);

// Load a PDF document from disk
var pdf = PdfDocument.FromFile("document.pdf");

// Extract all text from every page
string allText = pdf.ExtractAllText();

// Extract text from a specific page (zero-based index)
string pageOneText = pdf.ExtractTextFromPage(0);

Console.WriteLine(allText);

Imports System

' Load a PDF document from disk
Dim pdf = PdfDocument.FromFile("document.pdf")

' Extract all text from every page
Dim allText As String = pdf.ExtractAllText()

' Extract text from a specific page (zero-based index)
Dim pageOneText As String = pdf.ExtractTextFromPage(0)

Console.WriteLine(allText)

ExtractAllText zwraca całą treść tekstową jako pojedynczy ciąg znaków, zachowując znaki końca linii. ExtractTextFromPage kieruje się na pojedynczą stronę przy użyciu indeksu zaczynającego się od zera, co jest przydatne, gdy potrzebujesz tylko treści z określonej sekcji dokumentu wielostronicowego.

Aby uzyskać szczegółowe informacje na temat opcji wyodrębniania tekstu i obrazów, w przewodniku dotyczącym wyodrębniania tekstu z plików PDF omówiono zaawansowane scenariusze, w tym wyodrębnianie oparte na regionach.

using IronPdf;
using Microsoft.AspNetCore.Http;
using Microsoft.AspNetCore.Mvc;
using System.IO;

[ApiController]
[Route("api/[controller]")]
public class PdfController : ControllerBase
{
    [HttpPost("extract-text")]
    public IActionResult ExtractText(IFormFile pdfFile)
    {
        if (pdfFile == null || pdfFile.Length == 0)
            return BadRequest("No PDF file uploaded.");

        using var stream = new MemoryStream();
        pdfFile.CopyTo(stream);

        var pdf = new PdfDocument(stream.ToArray());
        string extractedText = pdf.ExtractAllText();

        return Ok(new { text = extractedText });
    }
}

using IronPdf;
using Microsoft.AspNetCore.Http;
using Microsoft.AspNetCore.Mvc;
using System.IO;

[ApiController]
[Route("api/[controller]")]
public class PdfController : ControllerBase
{
    [HttpPost("extract-text")]
    public IActionResult ExtractText(IFormFile pdfFile)
    {
        if (pdfFile == null || pdfFile.Length == 0)
            return BadRequest("No PDF file uploaded.");

        using var stream = new MemoryStream();
        pdfFile.CopyTo(stream);

        var pdf = new PdfDocument(stream.ToArray());
        string extractedText = pdf.ExtractAllText();

        return Ok(new { text = extractedText });
    }
}

Imports IronPdf
Imports Microsoft.AspNetCore.Http
Imports Microsoft.AspNetCore.Mvc
Imports System.IO

<ApiController>
<Route("api/[controller]")>
Public Class PdfController
    Inherits ControllerBase

    <HttpPost("extract-text")>
    Public Function ExtractText(pdfFile As IFormFile) As IActionResult
        If pdfFile Is Nothing OrElse pdfFile.Length = 0 Then
            Return BadRequest("No PDF file uploaded.")
        End If

        Using stream As New MemoryStream()
            pdfFile.CopyTo(stream)

            Dim pdf As New PdfDocument(stream.ToArray())
            Dim extractedText As String = pdf.ExtractAllText()

            Return Ok(New With {.text = extractedText})
        End Using
    End Function
End Class

Jak odczytać dane z formularza PDF w ASP.NET Core?

Formularze PDF — zwane również AcroForms — zawierają interaktywne pola, które użytkownicy wypełniają. IronPDF udostępnia pola formularza poprzez właściwość Form obiektu PdfDocument, podając nazwę i wartość każdego pola w dokumencie.

Poniższy punkt końcowy odczytuje przesłany formularz w formacie PDF i zwraca wszystkie wartości pól jako słownik JSON:

[HttpPost("extract-form")]
public IActionResult ExtractForm([FromForm] IFormFile pdfFile)
{
    if (pdfFile == null || pdfFile.Length == 0)
        return BadRequest("No PDF file uploaded.");

    using var stream = new MemoryStream();
    pdfFile.CopyTo(stream);

    var pdf = new PdfDocument(stream.ToArray());
    var formData = new Dictionary<string, string>();

    if (pdf.Form != null)
    {
        foreach (var field in pdf.Form)
        {
            formData[field.Name] = field.Value;
        }
    }

    return Ok(new { formFields = formData });
}

[HttpPost("extract-form")]
public IActionResult ExtractForm([FromForm] IFormFile pdfFile)
{
    if (pdfFile == null || pdfFile.Length == 0)
        return BadRequest("No PDF file uploaded.");

    using var stream = new MemoryStream();
    pdfFile.CopyTo(stream);

    var pdf = new PdfDocument(stream.ToArray());
    var formData = new Dictionary<string, string>();

    if (pdf.Form != null)
    {
        foreach (var field in pdf.Form)
        {
            formData[field.Name] = field.Value;
        }
    }

    return Ok(new { formFields = formData });
}

Imports Microsoft.AspNetCore.Mvc
Imports System.IO

<HttpPost("extract-form")>
Public Function ExtractForm(<FromForm> pdfFile As IFormFile) As IActionResult
    If pdfFile Is Nothing OrElse pdfFile.Length = 0 Then
        Return BadRequest("No PDF file uploaded.")
    End If

    Using stream As New MemoryStream()
        pdfFile.CopyTo(stream)

        Dim pdf = New PdfDocument(stream.ToArray())
        Dim formData As New Dictionary(Of String, String)()

        If pdf.Form IsNot Nothing Then
            For Each field In pdf.Form
                formData(field.Name) = field.Value
            Next
        End If

        Return Ok(New With {.formFields = formData})
    End Using
End Function

Każde pole w pdf.Form ma właściwość Name (identyfikator pola ustawiony w narzędziu do tworzenia plików PDF) oraz właściwość Value (tekst lub zaznaczenie wprowadzone przez użytkownika). W tej kolekcji pojawiają się pola tekstowe, pola wyboru, przyciski opcji i listy rozwijane.

Odpowiedź JSON ułatwia przekazywanie przesłanych formularzy do bazy danych, API strony trzeciej lub kolejki komunikatów bez konieczności dodatkowego parsowania. W przypadku procesów obejmujących programowe tworzenie lub edycję formularzy PDF, przewodnik po formularzach PDF pokazuje, jak dodawać pola i wstępnie wypełniać wartości.

Jak wyodrębnić dane z tabeli z pliku PDF?

Tabele w plikach PDF są przechowywane jako tekst pozycjonowany — w formacie PDF nie ma natywnej struktury danych tabel. Pobieranie danych tabelarycznych oznacza zatem pobieranie surowego tekstu, a następnie zastosowanie logiki parsowania w celu odtworzenia wierszy i kolumn.

Funkcja ExtractAllText w IronPDF zachowuje spacje i znaki tabulacji, co umożliwia programowe dzielenie wierszy na kolumny. Poniższa akcja kontrolera ilustruje to podejście:

[HttpPost("extract-table")]
public IActionResult ExtractTable([FromForm] IFormFile pdfFile)
{
    if (pdfFile == null || pdfFile.Length == 0)
        return BadRequest("No PDF file uploaded.");

    using var memoryStream = new MemoryStream();
    pdfFile.CopyTo(memoryStream);

    var pdf = new PdfDocument(memoryStream.ToArray());
    string text = pdf.ExtractAllText();

    // Split into lines, then split each line into columns
    string[] lines = text.Split(
        new[] { '\r', '\n' },
        StringSplitOptions.RemoveEmptyEntries
    );

    var tableData = new List<string[]>();
    foreach (string line in lines)
    {
        string[] columns = line
            .Split('\t')
            .Where(c => !string.IsNullOrWhiteSpace(c))
            .ToArray();

        if (columns.Length > 0)
            tableData.Add(columns);
    }

    var table = tableData.Select(r => string.Join(" | ", r)).ToList();
    return Ok(new { Table = table });
}

[HttpPost("extract-table")]
public IActionResult ExtractTable([FromForm] IFormFile pdfFile)
{
    if (pdfFile == null || pdfFile.Length == 0)
        return BadRequest("No PDF file uploaded.");

    using var memoryStream = new MemoryStream();
    pdfFile.CopyTo(memoryStream);

    var pdf = new PdfDocument(memoryStream.ToArray());
    string text = pdf.ExtractAllText();

    // Split into lines, then split each line into columns
    string[] lines = text.Split(
        new[] { '\r', '\n' },
        StringSplitOptions.RemoveEmptyEntries
    );

    var tableData = new List<string[]>();
    foreach (string line in lines)
    {
        string[] columns = line
            .Split('\t')
            .Where(c => !string.IsNullOrWhiteSpace(c))
            .ToArray();

        if (columns.Length > 0)
            tableData.Add(columns);
    }

    var table = tableData.Select(r => string.Join(" | ", r)).ToList();
    return Ok(new { Table = table });
}

Imports Microsoft.AspNetCore.Mvc
Imports System.IO
Imports System.Linq

<HttpPost("extract-table")>
Public Function ExtractTable(<FromForm> pdfFile As IFormFile) As IActionResult
    If pdfFile Is Nothing OrElse pdfFile.Length = 0 Then
        Return BadRequest("No PDF file uploaded.")
    End If

    Using memoryStream As New MemoryStream()
        pdfFile.CopyTo(memoryStream)

        Dim pdf As New PdfDocument(memoryStream.ToArray())
        Dim text As String = pdf.ExtractAllText()

        ' Split into lines, then split each line into columns
        Dim lines As String() = text.Split(New Char() {ControlChars.Cr, ControlChars.Lf}, StringSplitOptions.RemoveEmptyEntries)

        Dim tableData As New List(Of String())()
        For Each line As String In lines
            Dim columns As String() = line.Split(ControlChars.Tab).Where(Function(c) Not String.IsNullOrWhiteSpace(c)).ToArray()

            If columns.Length > 0 Then
                tableData.Add(columns)
            End If
        Next

        Dim table = tableData.Select(Function(r) String.Join(" | ", r)).ToList()
        Return Ok(New With {.Table = table})
    End Using
End Function

Takie podejście sprawdza się dobrze w przypadku plików PDF, których tabele zawierają spójne kolumny rozdzielone tabulatorami. W przypadku dokumentów, w których kolumny są oddzielone zmienną ilością spacji, może być konieczne zastosowanie heurystyki minimalnej odstępu lub sprawdzenie pozycji znaków. Przewodnik dotyczący łączenia lub dzielenia plików PDF jest przydatny, gdy przed wyodrębnieniem danych trzeba wyodrębnić konkretne strony zawierające tabele.

Jak radzisz sobie z asynchronicznym przesyłaniem plików PDF?

Produkcyjne aplikacje .NET Core powinny obsługiwać przesyłanie plików asynchronicznie, aby uniknąć blokowania puli wątków. Metoda IFormFile.CopyToAsync w połączeniu z await sprawia, że kontroler działa w trybie nieblokującym:

[HttpPost("process-upload")]
public async Task<IActionResult> ProcessPdf([FromForm] IFormFile file)
{
    if (file == null || file.Length == 0)
        return BadRequest("No PDF file uploaded.");

    using var ms = new MemoryStream();
    await file.CopyToAsync(ms);

    var pdf = new PdfDocument(ms.ToArray());
    string text = pdf.ExtractAllText();
    int pageCount = pdf.PageCount;

    return Ok(new
    {
        text,
        pages = pageCount
    });
}

[HttpPost("process-upload")]
public async Task<IActionResult> ProcessPdf([FromForm] IFormFile file)
{
    if (file == null || file.Length == 0)
        return BadRequest("No PDF file uploaded.");

    using var ms = new MemoryStream();
    await file.CopyToAsync(ms);

    var pdf = new PdfDocument(ms.ToArray());
    string text = pdf.ExtractAllText();
    int pageCount = pdf.PageCount;

    return Ok(new
    {
        text,
        pages = pageCount
    });
}

Imports System.IO
Imports Microsoft.AspNetCore.Mvc

<HttpPost("process-upload")>
Public Async Function ProcessPdf(<FromForm> file As IFormFile) As Task(Of IActionResult)
    If file Is Nothing OrElse file.Length = 0 Then
        Return BadRequest("No PDF file uploaded.")
    End If

    Using ms As New MemoryStream()
        Await file.CopyToAsync(ms)

        Dim pdf As New PdfDocument(ms.ToArray())
        Dim text As String = pdf.ExtractAllText()
        Dim pageCount As Integer = pdf.PageCount

        Return Ok(New With {
            .text = text,
            .pages = pageCount
        })
    End Using
End Function

Konstruktor PdfDocument jest synchroniczny, ale etap przesyłania — często najwolniejsza część potoku — przebiega asynchronicznie. Ten wzorzec dobrze skaluje się pod obciążeniem współbieżnym i jest kompatybilny z minimalnymi punktami końcowymi API, handlerami Razor Pages oraz usługami gRPC.

builder.Services.Configure<FormOptions>(options =>
{
    options.MultipartBodyLengthLimit = 100 * 1024 * 1024; // 100 MB
});

builder.Services.Configure<FormOptions>(options =>
{
    options.MultipartBodyLengthLimit = 100 * 1024 * 1024; // 100 MB
});

Imports Microsoft.Extensions.DependencyInjection
Imports Microsoft.AspNetCore.Http

builder.Services.Configure(Of FormOptions)(Sub(options)
    options.MultipartBodyLengthLimit = 100 * 1024 * 1024 ' 100 MB
End Sub)

builder.WebHost.ConfigureKestrel(options =>
{
    options.Limits.MaxRequestBodySize = 100 * 1024 * 1024;
});

builder.WebHost.ConfigureKestrel(options =>
{
    options.Limits.MaxRequestBodySize = 100 * 1024 * 1024;
});

builder.WebHost.ConfigureKestrel(Sub(options)
    options.Limits.MaxRequestBodySize = 100 * 1024 * 1024
End Sub)

Jak przekonwertować wyodrębnioną zawartość pliku PDF na inne formaty?

Po uzyskaniu tekstu lub danych z formularza można je przekazać do dowolnego procesu końcowego wymaganego przez aplikację — zapisu do bazy danych, indeksowania wyszukiwania, generowania raportów lub wywołań API. IronPDF obsługuje również konwersję w drugą stronę: renderowanie HTML do PDF.

W przypadkach, gdy chcesz wizualnie przedstawić wyodrębnioną treść, możesz przekształcić oryginalny plik PDF na obrazy, korzystając z przewodnika konwersji plików PDF na obrazy. Jest to przydatne w przypadku funkcji podglądu dokumentów, w których chcesz wyświetlić miniatury stron bez ładowania pełnego pliku PDF w przeglądarce.

Jeśli chcesz zabezpieczyć dokumenty wyjściowe przed dostarczeniem ich użytkownikom, IronPDF obsługuje podpisy cyfrowe i znaki wodne jako etapy przetwarzania końcowego. Dodawanie nagłówków i stopek — opisane w przewodniku dotyczącym nagłówków i stopek — jest równie proste.

Jakie są kolejne kroki po skonfigurowaniu ekstrakcji danych z plików PDF?

Masz teraz gotowe wzorce do wyodrębniania tekstu, odczytu danych z formularzy, analizowania tabel i asynchronicznego przesyłania danych. Oto kilka kierunków, które warto rozważyć w zależności od wymagań Twojej aplikacji.

Jeśli potrzebujesz generować raporty PDF równolegle z procesem ekstrakcji, przegląd funkcji IronPDF obejmuje renderowanie HTML do PDF, nakładanie stempli i manipulację stronami. W przypadku aplikacji, które łączą raporty z wielu źródeł, przewodnik dotyczący łączenia lub dzielenia plików PDF zawiera instrukcje dotyczące łączenia i dzielenia dokumentów.

Aby zapewnić bezpieczne dostarczanie dokumentów, podpisy cyfrowe pozwalają poświadczać pliki PDF przed wysłaniem ich do klientów. Niestandardowe znaki wodne dodają wizualne elementy brandingowe lub etykiety wersji roboczej do generowanych dokumentów.

Jeśli projekt polega na pozyskiwaniu danych ze skanowanych plików PDF (obrazów, a nie tekstu z możliwością wyszukiwania), przed wywołaniem ExtractAllText konieczne będzie przeprowadzenie procesu OCR. IronOCR firmy Iron Software integruje się z IronPDF w celu obsługi przepływu pracy związanego ze skanowanymi dokumentami.

IronPDF jest dostępny w ramach elastycznych opcji licencyjnych dla indywidualnych programistów i zespołów. Zacznij od bezpłatnej wersji próbnej, aby przetestować wszystkie funkcje bez ograniczeń. Pełna dokumentacja zawiera Dokumentację API, przewodniki dla początkujących oraz uwagi dotyczące wdrażania w środowiskach Windows, Linux, Docker i chmury.

Odczytywanie danych z plików PDF w ASP.NET Core nie wymaga już niskopoziomowego kodu parsującego ani rozbudowanych zależności. Dzięki IronPDF droga od przesłanego pliku do wyodrębnionej treści to zaledwie kilka wierszy kodu, które naturalnie wpisują się w dowolną warstwę kontrolera lub usługi.