Dlaczego instalacja przebiega tak szybko?

Instalacja IronPDF zajmuje kilka sekund za pomocą menedżera pakietów NuGet. Otwórz konsolę menedżera pakietów i uruchom:

Install-Package IronPdf

Dla programistów Windows instalacja jest prosta. Jeśli wdrażasz oprogramowanie na systemie Linux lub macOS, IronPDF obsługuje również te platformy. Możesz nawet uruchamiać IronPDF w kontenerach Docker lub wdrażać go w Azure i AWS.

Jaki jest najprostszy sposób na wyodrębnienie tekstu?

Po zainstalowaniu można od razu rozpocząć przetwarzanie dokumentów PDF. Oto minimalny przykład w .NET, który pokazuje prostotę API IronPDF:

using IronPdf;
// Load any PDF document
var pdf = PdfDocument.FromFile("document.pdf");
// Extract all text with one line
string allText = pdf.ExtractAllText();
Console.WriteLine(allText);

using IronPdf;
// Load any PDF document
var pdf = PdfDocument.FromFile("document.pdf");
// Extract all text with one line
string allText = pdf.ExtractAllText();
Console.WriteLine(allText);

Imports IronPdf

' Load any PDF document
Dim pdf = PdfDocument.FromFile("document.pdf")
' Extract all text with one line
Dim allText As String = pdf.ExtractAllText()
Console.WriteLine(allText)

Ten kod ładuje plik PDF i wyodrębnia z niego cały tekst. IronPDF automatycznie obsługuje złożone struktury plików PDF, dane formularzy i kodowania, które zazwyczaj powodują problemy w innych bibliotekach. Dane wyodrębnione z dokumentów PDF można zapisać w pliku tekstowym lub poddać dalszej obróbce w celu analizy.

Praktyczna wskazówka: Wyodrębniony tekst można zapisać w pliku .txt do późniejszego przetworzenia lub przeanalizować w celu wypełnienia baz danych, arkuszy Excel lub baz wiedzy. Ta metoda sprawdza się dobrze w przypadku raportów, umów lub dowolnych plików PDF, w których potrzebujesz po prostu szybko uzyskać surowy tekst. W przypadku bardziej zaawansowanych scenariuszy ekstrakcji zapoznaj się z obszernym przewodnikiem po parsowaniu.

Dlaczego warto skupić się na konkretnych stronach zamiast pobierać wszystko?

Praktyczne zastosowania często wymagają precyzyjnego pozyskiwania danych. IronPDF oferuje wiele metod pozyskiwania cennych informacji z określonych stron. W tym przykładzie wykorzystamy następujący plik PDF:

using IronPdf;
// Load PDF from a memory stream if needed
byte[] pdfBytes = File.ReadAllBytes("report.pdf");
var pdfFromStream = PdfDocument.FromBytes(pdfBytes);
// Or load from a URL
var pdfFromUrl = PdfDocument.FromUrl("___PROTECTED_URL_32___");

using IronPdf;
// Load PDF from a memory stream if needed
byte[] pdfBytes = File.ReadAllBytes("report.pdf");
var pdfFromStream = PdfDocument.FromBytes(pdfBytes);
// Or load from a URL
var pdfFromUrl = PdfDocument.FromUrl("___PROTECTED_URL_32___");

Imports IronPdf
' Load PDF from a memory stream if needed
Dim pdfBytes As Byte() = File.ReadAllBytes("report.pdf")
Dim pdfFromStream As PdfDocument = PdfDocument.FromBytes(pdfBytes)
' Or load from a URL
Dim pdfFromUrl As PdfDocument = PdfDocument.FromUrl("___PROTECTED_URL_32___")

Jak wyszukiwać kluczowe informacje w wyodrębnionym tekście?

Poniższy kod pobiera dane z określonych stron i zwraca wyniki do konsoli. Technika ta jest szczególnie przydatna podczas pracy z wielostronicowymi plikami PDF lub gdy konieczne jest podzielenie plików PDF w celu przetworzenia:

using IronPdf;
using System;
using System.Text.RegularExpressions;

// Load any PDF document
var pdf = PdfDocument.FromFile("AnnualReport2024.pdf");
// Extract from selected pages
int[] pagesToExtract = { 0, 2, 4 }; // Pages 1, 3, and 5
foreach (var pageIndex in pagesToExtract)
{
    string pageText = pdf.ExtractTextFromPage(pageIndex);
    // Split on 2 or more spaces (tables often flatten into space-separated values)
    var tokens = Regex.Split(pageText, @"\s{2,}");
    foreach (string token in tokens)
    {
        // Match totals, invoice headers, and invoice rows
        if (token.Contains("Invoice") || token.Contains("Total") || token.StartsWith("INV-"))
        {
            Console.WriteLine($"Important: {token.Trim()}");
        }
    }
}

using IronPdf;
using System;
using System.Text.RegularExpressions;

// Load any PDF document
var pdf = PdfDocument.FromFile("AnnualReport2024.pdf");
// Extract from selected pages
int[] pagesToExtract = { 0, 2, 4 }; // Pages 1, 3, and 5
foreach (var pageIndex in pagesToExtract)
{
    string pageText = pdf.ExtractTextFromPage(pageIndex);
    // Split on 2 or more spaces (tables often flatten into space-separated values)
    var tokens = Regex.Split(pageText, @"\s{2,}");
    foreach (string token in tokens)
    {
        // Match totals, invoice headers, and invoice rows
        if (token.Contains("Invoice") || token.Contains("Total") || token.StartsWith("INV-"))
        {
            Console.WriteLine($"Important: {token.Trim()}");
        }
    }
}

Imports IronPdf
Imports System
Imports System.Text.RegularExpressions

' Load any PDF document
Dim pdf = PdfDocument.FromFile("AnnualReport2024.pdf")
' Extract from selected pages
Dim pagesToExtract As Integer() = {0, 2, 4} ' Pages 1, 3, and 5
For Each pageIndex In pagesToExtract
    Dim pageText As String = pdf.ExtractTextFromPage(pageIndex)
    ' Split on 2 or more spaces (tables often flatten into space-separated values)
    Dim tokens = Regex.Split(pageText, "\s{2,}")
    For Each token As String In tokens
        ' Match totals, invoice headers, and invoice rows
        If token.Contains("Invoice") OrElse token.Contains("Total") OrElse token.StartsWith("INV-") Then
            Console.WriteLine($"Important: {token.Trim()}")
        End If
    Next
Next

Ten przykład pokazuje, jak wyodrębnić tekst z dokumentów PDF, wyszukać kluczowe informacje i przygotować je do przechowywania. Metoda ExtractTextFromPage() zachowuje kolejność czytania dokumentu, dzięki czemu idealnie nadaje się do analizy dokumentów i indeksowania treści. W przypadku zaawansowanej edycji tekstu można nawet wyszukiwać i zamieniać tekst w plikach PDF.

Czym różni się ekstrakcja tabel od zwykłego tekstu?

Tabele w plikach PDF nie mają natywnej struktury; są to po prostu treści tekstowe rozmieszczone tak, aby wyglądały jak tabele. IronPDF wyodrębnia dane tabelaryczne, zachowując układ, dzięki czemu można je przetworzyć do plików Excel lub tekstowych. W przypadku bardziej złożonych scenariuszy obejmujących obrazy w plikach PDF może być konieczne wyodrębnienie obrazów osobno.

Jak przekonwertować wyodrębnione tabele do formatu CSV?

using IronPdf;
using System.Text;
using System.Text.RegularExpressions;
using System.IO;

var pdf = PdfDocument.FromFile("example.pdf");
string rawText = pdf.ExtractAllText();
// Split into lines for processing
string[] lines = rawText.Split('\n');
var csvBuilder = new StringBuilder();
foreach (string line in lines)
{
    if (string.IsNullOrWhiteSpace(line) || line.Contains("Page"))
        continue;
    string[] rawCells = Regex.Split(line.Trim(), @"\s+");
    string[] cells;
    // If the line starts with "Product", combine first two tokens as product name
    if (rawCells[0].StartsWith("Product") && rawCells.Length >= 5)
    {
        cells = new string[rawCells.Length - 1];
        cells[0] = rawCells[0] + " " + rawCells[1]; // Combine Product + letter
        Array.Copy(rawCells, 2, cells, 1, rawCells.Length - 2);
    }
    else
    {
        cells = rawCells;
    }
    // Keep header or table rows
    bool isTableOrHeader = cells.Length >= 2
                           && (cells[0].StartsWith("Item") || cells[0].StartsWith("Product")
                               || Regex.IsMatch(cells[0], @"^INV-\d+"));
    if (isTableOrHeader)
    {
        Console.WriteLine($"Row: {string.Join("|", cells)}");
        string csvRow = string.Join(",", cells).Trim();
        csvBuilder.AppendLine(csvRow);
    }
}
// Save as CSV for Excel import
File.WriteAllText("extracted_table.csv", csvBuilder.ToString());
Console.WriteLine("Table data exported to CSV");

using IronPdf;
using System.Text;
using System.Text.RegularExpressions;
using System.IO;

var pdf = PdfDocument.FromFile("example.pdf");
string rawText = pdf.ExtractAllText();
// Split into lines for processing
string[] lines = rawText.Split('\n');
var csvBuilder = new StringBuilder();
foreach (string line in lines)
{
    if (string.IsNullOrWhiteSpace(line) || line.Contains("Page"))
        continue;
    string[] rawCells = Regex.Split(line.Trim(), @"\s+");
    string[] cells;
    // If the line starts with "Product", combine first two tokens as product name
    if (rawCells[0].StartsWith("Product") && rawCells.Length >= 5)
    {
        cells = new string[rawCells.Length - 1];
        cells[0] = rawCells[0] + " " + rawCells[1]; // Combine Product + letter
        Array.Copy(rawCells, 2, cells, 1, rawCells.Length - 2);
    }
    else
    {
        cells = rawCells;
    }
    // Keep header or table rows
    bool isTableOrHeader = cells.Length >= 2
                           && (cells[0].StartsWith("Item") || cells[0].StartsWith("Product")
                               || Regex.IsMatch(cells[0], @"^INV-\d+"));
    if (isTableOrHeader)
    {
        Console.WriteLine($"Row: {string.Join("|", cells)}");
        string csvRow = string.Join(",", cells).Trim();
        csvBuilder.AppendLine(csvRow);
    }
}
// Save as CSV for Excel import
File.WriteAllText("extracted_table.csv", csvBuilder.ToString());
Console.WriteLine("Table data exported to CSV");

Imports IronPdf
Imports System.Text
Imports System.Text.RegularExpressions
Imports System.IO

Dim pdf = PdfDocument.FromFile("example.pdf")
Dim rawText As String = pdf.ExtractAllText()
' Split into lines for processing
Dim lines() As String = rawText.Split(ControlChars.Lf)
Dim csvBuilder As New StringBuilder()
For Each line As String In lines
    If String.IsNullOrWhiteSpace(line) OrElse line.Contains("Page") Then
        Continue For
    End If
    Dim rawCells() As String = Regex.Split(line.Trim(), "\s+")
    Dim cells() As String
    ' If the line starts with "Product", combine first two tokens as product name
    If rawCells(0).StartsWith("Product") AndAlso rawCells.Length >= 5 Then
        cells = New String(rawCells.Length - 2) {}
        cells(0) = rawCells(0) & " " & rawCells(1) ' Combine Product + letter
        Array.Copy(rawCells, 2, cells, 1, rawCells.Length - 2)
    Else
        cells = rawCells
    End If
    ' Keep header or table rows
    Dim isTableOrHeader As Boolean = cells.Length >= 2 AndAlso (cells(0).StartsWith("Item") OrElse cells(0).StartsWith("Product") OrElse Regex.IsMatch(cells(0), "^INV-\d+"))
    If isTableOrHeader Then
        Console.WriteLine($"Row: {String.Join("|", cells)}")
        Dim csvRow As String = String.Join(",", cells).Trim()
        csvBuilder.AppendLine(csvRow)
    End If
Next
' Save as CSV for Excel import
File.WriteAllText("extracted_table.csv", csvBuilder.ToString())
Console.WriteLine("Table data exported to CSV")

Jakie są typowe problemy związane z wyodrębnianiem złożonych tabel?

Tabele w plikach PDF to zazwyczaj po prostu tekst ułożony tak, aby wyglądał jak siatka. Ta kontrola pomaga ustalić, czy dana linia należy do wiersza tabeli, czy do nagłówka. Odfiltrowując nagłówki, stopki i niepowiązany tekst, można wyodrębnić z pliku PDF czyste dane tabelaryczne, gotowe do użycia w formacie CSV lub Excel.

Ten proces sprawdza się w przypadku formularzy PDF, dokumentów finansowych i raportów. Wyodrębnione dane można później przekonwertować na pliki xlsx lub połączyć w plik ZIP. W przypadku złożonych tabel ze scalonymi komórkami może być konieczne dostosowanie logiki parsowania w oparciu o pozycje kolumn. W przypadku pracy ze skanowanymi plikami PDF warto najpierw rozważyć użycie IronOCR do rozpoznawania tekstu.

Dlaczego warto programowo wyodrębniać i modyfikować pola formularzy?

IronPDF umożliwia również wyodrębnianie i modyfikowanie danych z pól formularzy. Jest to szczególnie przydatne w przypadku formularzy PDF z możliwością wypełniania, które wymagają automatycznego przetwarzania:

using IronPdf;
using System.Drawing;
using System.Linq;

var pdf = PdfDocument.FromFile("form_document.pdf");
// Extract form field data
var form = pdf.Form;
foreach (var field in form) // Removed '.Fields' as 'FormFieldCollection' is enumerable
{
    Console.WriteLine($"{field.Name}: {field.Value}");
    // Update form values if needed
    if (field.Name == "customer_name")
    {
        field.Value = "Updated Value";
    }
}
// Save modified form
pdf.SaveAs("updated_form.pdf");

using IronPdf;
using System.Drawing;
using System.Linq;

var pdf = PdfDocument.FromFile("form_document.pdf");
// Extract form field data
var form = pdf.Form;
foreach (var field in form) // Removed '.Fields' as 'FormFieldCollection' is enumerable
{
    Console.WriteLine($"{field.Name}: {field.Value}");
    // Update form values if needed
    if (field.Name == "customer_name")
    {
        field.Value = "Updated Value";
    }
}
// Save modified form
pdf.SaveAs("updated_form.pdf");

Imports IronPdf
Imports System.Drawing
Imports System.Linq

Dim pdf = PdfDocument.FromFile("form_document.pdf")
' Extract form field data
Dim form = pdf.Form
For Each field In form ' Removed '.Fields' as 'FormFieldCollection' is enumerable
    Console.WriteLine($"{field.Name}: {field.Value}")
    ' Update form values if needed
    If field.Name = "customer_name" Then
        field.Value = "Updated Value"
    End If
Next
' Save modified form
pdf.SaveAs("updated_form.pdf")

W celu bardziej zaawansowanej obsługi formularzy można również pracować z konkretnymi typami pól:

// Work with different form field types
foreach (var field in pdf.Form)
{
    switch (field)
    {
        case TextFormField textField:
            Console.WriteLine($"Text field '{field.Name}': {textField.Value}");
            break;
        case CheckBoxFormField checkBox:
            Console.WriteLine($"Checkbox '{field.Name}': {checkBox.Value}");
            checkBox.Value = true; // Check the box
            break;
        case ComboBoxFormField comboBox:
            Console.WriteLine($"ComboBox '{field.Name}': {comboBox.Value}");
            // Set to first available option
            if (comboBox.Choices.Any())
                comboBox.Value = comboBox.Choices.First();
            break;
    }
}

// Work with different form field types
foreach (var field in pdf.Form)
{
    switch (field)
    {
        case TextFormField textField:
            Console.WriteLine($"Text field '{field.Name}': {textField.Value}");
            break;
        case CheckBoxFormField checkBox:
            Console.WriteLine($"Checkbox '{field.Name}': {checkBox.Value}");
            checkBox.Value = true; // Check the box
            break;
        case ComboBoxFormField comboBox:
            Console.WriteLine($"ComboBox '{field.Name}': {comboBox.Value}");
            // Set to first available option
            if (comboBox.Choices.Any())
                comboBox.Value = comboBox.Choices.First();
            break;
    }
}

' Work with different form field types
For Each field In pdf.Form
    Select Case field
        Case textField As TextFormField
            Console.WriteLine($"Text field '{field.Name}': {textField.Value}")
        Case checkBox As CheckBoxFormField
            Console.WriteLine($"Checkbox '{field.Name}': {checkBox.Value}")
            checkBox.Value = True ' Check the box
        Case comboBox As ComboBoxFormField
            Console.WriteLine($"ComboBox '{field.Name}': {comboBox.Value}")
            ' Set to first available option
            If comboBox.Choices.Any() Then
                comboBox.Value = comboBox.Choices.First()
            End If
    End Select
Next

Kiedy należy stosować ekstrakcję pól formularzy?

Ten fragment kodu pobiera wartości pól formularzy z plików PDF i pozwala na ich aktualizację programowo. Ułatwia to przetwarzanie formularzy PDF i wyodrębnianie określonych informacji do analizy lub generowania raportów. Jest to przydatne do automatyzacji procesów, takich jak wdrażanie klientów, przetwarzanie ankiet lub walidacja danych.

Typowe przypadki uzycia obejmuja:

• Automatyzacja podpisów cyfrowych
• Przetwarzanie plików PDF chronionych hasłem
• Pobieranie danych w celu zapewnienia zgodności z formatem PDF/A
• Tworzenie niestandardowych przepływów pracy