1. IronPDF
  2. Poradniki
  3. Wyodrebnianie tekstu i obrazów
Jak wyodrębnić osadzony tekst i obrazy z plików PDF w języku C#

Extract Embedded Text and Images from PDFs in C

Curtis Chau
Curtis Chau
Zaktualizowano:
This article was translated from English: Does it need improvement?
Translated
View the article in English

Wyodrębnij zarówno zawartość tekstową, jak i obrazy z dokumentów PDF w C# za pomocą prostych wywołań metod. Pobierz osadzone treści do edycji, analizy lub ponownego wykorzystania w innych aplikacjach.

Wyodrębnianie tekstu i obrazów pobiera zawartość tekstową i graficzne elementy z dokumentów PDF. Uzyskaj dostęp do zawartości i przekształcaj ją do edycji, wyszukiwania, konwersji tekstu na inne formaty lub zapisywania obrazów do ponownego użycia. Niezależnie od tego, czy chcesz parsować PDF-y w C# do analizy danych, konwertować zawartość do formatów umożliwiających wyszukiwanie, czy wyodrębniać elementy wizualne do archiwizacji, IronPDF dostarcza kompleksowe narzędzia do wyodrębniania.

Wyodrębnianie tekstu i obrazów przy użyciu IronPDF. Zapisz wyodrębnione obrazy na dysku lub przekonwertuj je na inny format przed osadzeniem w nowych dokumentach. Ta elastyczność wspiera przepływy pracy wymagające transformacji treści, takie jak konwersja PDF-ów do HTML lub ponowne wykorzystanie wyodrębnionych obrazów.

Quickstart: Wyodrębnianie tekstu i obrazów przy użyciu IronPDF

Wyodrębnij tekst i obrazy z PDF-ów w zaledwie kilku liniach kodu. Ten szybki start pokazuje, jak pobrać osadzone treści z dokumentów PDF do ponownego wykorzystania treści i analizy. Wyodrębnij tekst do edycji lub zapisz obrazy do dalszego wykorzystania dzięki uproszczonemu rozwiązaniu IronPDF.

  1. Install IronPDF with NuGet Package Manager

    PM > Install-Package IronPdf

  2. Skopiuj i uruchom ten fragment kodu.

    var pdf = new IronPdf.PdfDocument("sample.pdf");  
string text = pdf.ExtractAllText();  
var images = pdf.ExtractAllImages();

  3. Wdrożenie do testowania w środowisku produkcyjnym

    Rozpocznij używanie IronPDF w swoim projekcie już dziś z darmową wersją próbną

    arrow pointer

Minimalny proces (5 kroków)

  1. Pobierz bibliotekę C# IronPdf
  2. Przygotuj dokument PDF do wyodrębniania tekstu i obrazów
  3. Użyj metody ExtractAllText do wyodrębniania tekstu
  4. Użyj metody ExtractAllImages do wyodrębniania obrazów
  5. Określ konkretne strony, z których należy wyodrębnić tekst i obrazy


Jak wyodrębnić tekst z plików PDF?

Wyodrębnij tekst zarówno z nowo renderowanych, jak i istniejących dokumentów PDF. Użyj metody ExtractAllText, aby wyodrębnić tekst osadzony w dokumencie. Metoda zwraca ciąg zawierający cały tekst w PDF. Strony są oddzielone czterema kolejnymi znakami nowej linii. Ten przykład używa przykładowego PDF renderowanego ze strony Wikipedii.

Pracując z PDF-ami zawierającymi międzynarodowe języki i znaki UTF-8, IronPDF zachowuje odpowiednie kodowanie i reprezentację znaków. Zapewnia to poprawne wyświetlanie pism niełacińskich i znaków specjalnych. 

:path=/static-assets/pdf/content-code-examples/how-to/extract-text-and-images-extract-text.cs
using IronPdf;
using System.IO;

PdfDocument pdf = PdfDocument.FromFile("sample.pdf");

// Extract text
string text = pdf.ExtractAllText();

// Export the extracted text to a text file
File.WriteAllText("extractedText.txt", text);
Imports IronPdf
Imports System.IO

Private pdf As PdfDocument = PdfDocument.FromFile("sample.pdf")

' Extract text
Private text As String = pdf.ExtractAllText()

' Export the extracted text to a text file
File.WriteAllText("extractedText.txt", text)
$vbLabelText   $csharpLabel
Widok obok siebie strony Wikipedii i wyodrębnionego prostego tekstu pokazujący proces wyodrębniania tekstu

Jak mogę wyodrębnić tekst z precyzyjnymi współrzędnymi?

Pobierz współrzędne linii tekstu i znaków w każdej stronie PDF. Wybierz stronę z pliku PDF i uzyskaj dostęp do właściwości Lines oraz Characters. Współrzędne obejmują wartości Top, Right, Bottom oraz Left, które reprezentują pozycję tekstu. Ta funkcja zachowuje układ przestrzenny i umożliwia analizę pozycji tekstu.

Dla deweloperów, którzy muszą czytać pliki PDF w C# z zachowaniem świadomości pozycji, wyodrębnianie współrzędnych dostarcza dane do zachowania struktury dokumentu i implementacji zaawansowanej analizy tekstu. 

:path=/static-assets/pdf/content-code-examples/how-to/extract-text-and-images-extract-text-by-line-character.cs
using IronPdf;
using System.IO;
using System.Linq;

// Open PDF from file
PdfDocument pdf = PdfDocument.FromFile("sample.pdf");

// Extract text by lines
var lines = pdf.Pages[0].Lines;

// Extract text by characters
var characters = pdf.Pages[0].Characters;

File.WriteAllLines("lines.txt", lines.Select(l => $"at Y={l.BoundingBox.Bottom:F2}: {l.Contents}"));
Imports IronPdf
Imports System.IO
Imports System.Linq

' Open PDF from file
Private pdf As PdfDocument = PdfDocument.FromFile("sample.pdf")

' Extract text by lines
Private lines = pdf.Pages(0).Lines

' Extract text by characters
Private characters = pdf.Pages(0).Characters

File.WriteAllLines("lines.txt", lines.Select(Function(l) $"at Y={l.BoundingBox.Bottom:F2}: {l.Contents}"))
$vbLabelText   $csharpLabel
Podzielony ekran pokazujący główną stronę Wikipedii i wyodrębniony plik tekstowy z wyświetlanymi współrzędnymi Y pokazujący przeanalizowaną zawartość

Jak mogę wyodrębnić obrazy z PDF-ów?

Użyj metody ExtractAllImages, aby wyodrębnić wszystkie osadzone obrazy z dokumentu. Metoda zwraca obrazy jako listę List obiektów AnyBitmap. Używając tego samego dokumentu, wyodrębniliśmy obrazy i wyeksportowaliśmy je do folderu 'images'. Ta funkcjonalność wspiera archiwizację obrazów, migrację treści i rasteryzację stron PDF na obrazy do dalszego przetwarzania.

Wyodrębnione obrazy zachowują oryginalną jakość i mogą być zapisywane w różnych formatach, w tym PNG, JPEG i BMP. Dla przepływów pracy z przechowywaniem w chmurze zintegrowanie tej funkcjonalności z Azure Blob Storage do zarządzania obrazami. 

:path=/static-assets/pdf/content-code-examples/how-to/extract-text-and-images-extract-image.cs
using IronPdf;

PdfDocument pdf = PdfDocument.FromFile("sample.pdf");

// Extract images
var images = pdf.ExtractAllImages();

for(int i = 0; i < images.Count; i++)
{
    // Export the extracted images
    images[i].SaveAs($"images/image{i}.png");
}
Imports IronPdf

Private pdf As PdfDocument = PdfDocument.FromFile("sample.pdf")

' Extract images
Private images = pdf.ExtractAllImages()

For i As Integer = 0 To images.Count - 1
	' Export the extracted images
	images(i).SaveAs($"images/image{i}.png")
Next i
$vbLabelText   $csharpLabel
Eksplorator plików pokazujący 19 wyodrębnionych obrazów PNG w widoku miniatur po uruchomieniu narzędzia do wyodrębniania obrazów

Jakie są różne metody wyodrębniania obrazów?

Oprócz metody ExtractAllImages należy używać metod ExtractAllBitmaps i ExtractAllRawImages do wyodrębniania informacji o obrazach. Podczas gdy ExtractAllBitmaps zwraca List o wartości AnyBitmap, ExtractAllRawImages wyodrębnia wszystkie obrazy i zwraca je jako surowe byte[] (byte[]).

Metoda ExtractAllRawImages sprawdza się dobrze podczas przetwarzania danych obrazu w pamięci lub integracji z systemami wymagającymi danych wejściowych w postaci tablic bajtów. W scenariuszach związanych z eksportowaniem PDF-ów do strumieni pamięci, format surowej tablicy bajtów zapewnia optymalną elastyczność.

Jak mogę wyodrębnić zawartość ze specyficznych stron PDF?

Wyodrębnij tekst i obrazy z pojedynczych lub wielokrotnie określonych stron. Użyj metod ExtractTextFromPage i ExtractTextFromPages do wyodrębniania tekstu z jednej lub wielu stron. W przypadku obrazów należy używać metod ExtractImagesFromPage i ExtractImagesFromPages.

Ta kontrola szczegółowa pomaga, gdy pracujemy z dużymi dokumentami, gdzie tylko specyficzne sekcje zawierają istotne treści. Wspiera także funkcje rozcinania PDF-ów i wyodrębniania pojedynczych stron do oddzielnego przetwarzania. 

:path=/static-assets/pdf/content-code-examples/how-to/extract-text-and-images-extract-text-single-multiple.cs
using IronPdf;

PdfDocument pdf = PdfDocument.FromFile("sample.pdf");

// Extract text from page 1
string textFromPage1 = pdf.ExtractTextFromPage(0);

int[] pages = new[] { 0, 2 };

// Extract text from pages 1 & 3
string textFromPage1_3 = pdf.ExtractTextFromPages(pages);
Imports IronPdf

Private pdf As PdfDocument = PdfDocument.FromFile("sample.pdf")

' Extract text from page 1
Private textFromPage1 As String = pdf.ExtractTextFromPage(0)

Private pages() As Integer = { 0, 2 }

' Extract text from pages 1 & 3
Private textFromPage1_3 As String = pdf.ExtractTextFromPages(pages)
$vbLabelText   $csharpLabel

Kiedy powinienem wyodrębniać ze specyficznych stron zamiast ze wszystkich?

Wyodrębniaj ze specyficznych stron, gdy:

  • Praca z dużymi PDF-ami zawierającymi istotne dane w określonych sekcjach
  • Implementacja workflowów, które obsługują strony niezależnie
  • Tworzenie aplikacji wymagających przyrostowego wyświetlania lub przetwarzania treści
  • Optymalizacja użycia pamięci poprzez przetwarzanie tylko wymaganych stron
  • Tworzysz funkcjonalność wyszukiwania lub indeksowania specyficzną dla stron

Jakie kwestie wydajnościowe powinienem znać?

Weź pod uwagę te czynniki wydajnościowe podczas wyodrębniania treści PDF:

  • Zużycie pamięci: Wyodrębnij strony indywidualnie z dużych dokumentów, aby zminimalizować zużycie pamięci
  • Czas przetwarzania: Użyj przetwarzania równoległego dla ekstrakcji wielu stron, gdy jest to odpowiednie
  • Rozmiar pliku: Większe PDF-y z obrazami w wysokiej rozdzielczości wymagają więcej czasu na przetwarzanie
  • Przechowywanie: Zaplanuj odpowiednią przestrzeń dyskową na wyodrębnienie wielu obrazów w wysokiej rozdzielczości
  • Wątkowość: IronPDF obsługuje operacje wielowątkowe dla zwiększenia wydajności na systemach wielordzeniowych

Dla optymalnej wydajności z PDF-ami w pamięci, użyj operacji strumieniowania pamięci, by zredukować obciążenie dysku I/O.

Często Zadawane Pytania

Jak wyodrębnić tekst z dokumentów PDF w C#?

Użyj metody ExtractAllText od IronPDF, aby wyodrębnić osadzony tekst z dokumentów PDF. Metoda zwraca łańcuch zawierający cały tekst w PDF, a strony są oddzielone czterema kolejnymi znakami nowej linii. IronPDF utrzymuje poprawne kodowanie dla międzynarodowych języków i znaków UTF-8.

Czy mogę programowo wyodrębnić obrazy z plików PDF?

Tak, IronPDF dostarcza metody ExtractAllImages do pobierania elementów graficznych z dokumentów PDF. Możesz zapisać wyodrębnione obrazy na dysku lub przekonwertować je na inne formaty przed osadzeniem w nowych dokumentach.

Jakie są główne przypadki użycia ekstrakcji zawartości PDF?

Narzędzia ekstrakcji IronPDF wspierają różne przepływy pracy, w tym analizę danych z PDF, konwertowanie zawartości na formaty wyszukiwalne, wyodrębnianie elementów wizualnych do archiwizacji i ponowne wykorzystanie treści do edycji lub transformacji na inne formaty, takie jak HTML.

Ile linijek kodu potrzeba, aby wyodrębnić zawartość PDF?

Dzięki IronPDF możesz wyodrębniać tekst i obrazy zaledwie kilkoma liniami kodu. Wystarczy załadować dokument PDF i wywołać ExtractAllText() dla ekstrakcji tekstu lub ExtractAllImages() dla ekstrakcji obrazu.

Czy mogę wyodrębnić zawartość z konkretnych stron zamiast całego dokumentu?

Tak, IronPDF pozwala wskazać konkretne strony, z których chcesz wyodrębniać tekst i obrazy, co daje precyzyjną kontrolę nad tym, którą zawartość pobierasz z dokumentów PDF.

Curtis Chau
Curtis Chau
  Czat z zespołem inżynierów teraz
Autor tekstów technicznych

Curtis Chau posiada tytuł licencjata z informatyki (Uniwersytet Carleton) i specjalizuje się w front-endowym rozwoju, z ekspertką w Node.js, TypeScript, JavaScript i React. Pasjonuje się tworzeniem intuicyjnych i estetycznie przyjemnych interfejsów użytkownika, Curtis cieszy się pracą z nowoczesnymi frameworkami i tworzeniem dobrze zorganizowanych, atrakcyjnych wizualnie podrę...

Czytaj więcej
Gotowy, aby rozpocząć?
Nuget Pliki do pobrania 18,926,724 | Wersja: 2026.5 just released
Still Scrolling Icon

Wciąż przewijasz?

Czy chcesz szybko dowodu? PM > Install-Package IronPdf
Uruchom przykład i zobacz, jak Twój kod HTML zamienia się w plik PDF.