Extrair texto de um PDF em C# (Tutorial com exemplo de código)

1. Recursos do IronPDF

O IronPDF é um conversor de PDF robusto que pode executar praticamente qualquer operação que um navegador possa realizar. Criar, ler e manipular documentos PDF é simples com a biblioteca .NET para desenvolvedores. O IronPDF converte documentos HTML em PDF usando o mecanismo do Chrome. O IronPDF oferece suporte a HTML, ASPX, Razor HTML e MVC View, entre outros componentes da web. O aplicativo Microsoft .NET é compatível com o IronPDF (tanto aplicativos Web ASP.NET quanto aplicativos tradicionais do Windows). O IronPDF também pode ser usado para criar um documento PDF visualmente atraente.

Podemos criar um documento PDF a partir de HTML5, JavaScript, CSS e imagens com o IronPDF. Além disso, os arquivos podem ter cabeçalhos e rodapés. Graças ao IronPDF, podemos ler documentos PDF com facilidade. O IronPDF também possui um mecanismo abrangente de conversão de PDF e um poderoso conversor de HTML para PDF que pode lidar com documentos PDF.

• Criação de PDFs: Gere PDFs a partir de HTML, JavaScript, CSS, imagens ou URLs. Adicione cabeçalhos, rodapés, marcadores, marcas d'água e outros elementos personalizados para aprimorar o design.
• Conversão de HTML para PDF: Converta arquivos HTML, Razor/MVC Views e CSS de outros tipos de mídia diretamente para o formato PDF.
• Funcionalidades de PDF interativo: Crie, preencha e envie formulários PDF interativos.
• Extração de texto e imagem: Extraia texto ou imagens de documentos PDF existentes para processamento ou reutilização de dados.
• Manipulação de documentos: Mesclar, dividir e reorganizar páginas em arquivos PDF novos ou existentes.
• Manipulação de imagens e páginas: Rasterizar páginas PDF em imagens e converter imagens para o formato PDF .
• Trabalhar com credenciais de login personalizadas: o IronPDF é capaz de criar um documento a partir de uma URL. Ele também oferece suporte a credenciais de login de rede personalizadas, agentes de usuário, proxies, cookies, cabeçalhos HTTP e variáveis ​​de formulário para login por meio de formulários de login HTML .
• Pesquisa e Acessibilidade: Pesquise texto em documentos PDF e assegure-se de que eles atendam aos padrões de acessibilidade.
• Versatilidade de conversão: Transforme PDFs em outros formatos, como HTML, e trabalhe com arquivos CSS para gerar PDFs.
• Funcionalidade independente: Opera de forma independente, sem necessidade do Adobe Acrobat ou de ferramentas adicionais de terceiros.

2. Criando um novo projeto no Visual Studio

Abra o software Visual Studio e acesse o menu Arquivo. Selecione "Novo Projeto" e, em seguida, selecione "Aplicativo de Console". Neste artigo, vamos usar um aplicativo de console para gerar documentos PDF.

Criar um novo projeto no Visual Studio

Insira o nome do projeto e selecione o caminho do arquivo na caixa de texto apropriada. Em seguida, clique no botão Criar e selecione a versão do .NET Framework desejada, conforme mostrado na captura de tela abaixo.

Configurar um novo projeto no Visual Studio

O projeto do Visual Studio agora irá gerar a estrutura para o aplicativo selecionado e, se você selecionou Aplicativo de Console, Aplicativo do Windows ou Aplicativo Web, ele abrirá o arquivo program.cs onde você poderá inserir o código e compilar/executar o aplicativo.

Selecionando o .NET Core

Em seguida, podemos adicionar a biblioteca para testar o código.

3. Instale a biblioteca IronPDF.

A biblioteca IronPDF pode ser baixada e instalada de quatro maneiras.

Estes são:

• Utilizando o Visual Studio.
• Utilizando a linha de comando do Visual Studio.
• Download direto do site NuGet .
• Download direto do site IronPDF .

Install-Package IronPdf

4. Extrair texto usando o IronPDF

O programa IronPDF permite extrair texto de um arquivo PDF e converter páginas PDF em objetos PDF. Segue abaixo um exemplo de como usar o IronPDF para ler um PDF existente.

A primeira abordagem consiste em extrair o texto de um PDF, e o trecho de código de exemplo encontra-se abaixo.

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()

O método estático FromFile é usado para carregar o documento PDF de um arquivo existente e transformá-lo em objetos PDFDocument, conforme mostrado no código acima. Podemos ler o texto e as imagens acessíveis nas páginas do PDF usando este objeto. O objeto possui um método chamado ExtractAllText que extrai todo o texto de um documento PDF inteiro e, em seguida, armazena o texto extraído em uma string que podemos usar para processamento.

Abaixo está o exemplo de código para o segundo método que podemos usar para extrair texto de um arquivo PDF, página por página.

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

No código acima, vemos que ele primeiro carrega o documento PDF inteiro e o converte em um objeto PDF. Em seguida, obtemos a contagem de páginas de todo o documento PDF usando uma propriedade integrada chamada PageCount, que recupera o número total de páginas disponíveis no documento PDF carregado. O uso do laço "for" e da função ExtractTextFromPage permite passar o número da página como parâmetro para extrair o texto do documento carregado. Em seguida, armazenará o texto exato na variável de string. Da mesma forma, ele extrairá o texto do PDF página por página com a ajuda do laço "for" ou do laço "for each".

5. Conclusão

IronPDF é uma biblioteca PDF versátil e poderosa, projetada para tornar o trabalho com PDFs em aplicações .NET perfeito. Suas funcionalidades robustas permitem que os desenvolvedores criem, manipulem e extraiam conteúdo de PDFs sem depender de softwares de terceiros, como o Adobe Reader. Uma das funcionalidades mais notáveis ​​do IronPDF é a sua capacidade de extrair texto de documentos PDF. Essa funcionalidade é essencial para automatizar tarefas como análise de dados, indexação de documentos, migração de conteúdo e ativação de recursos de acessibilidade. Ao permitir que os desenvolvedores recuperem e processem texto programaticamente, o IronPDF simplifica os fluxos de trabalho e abre novas possibilidades para o gerenciamento de conteúdo em PDF.

Com integração descomplicada e suporte multiplataforma, o IronPDF é uma excelente escolha para desenvolvedores que buscam lidar com documentos PDF de forma eficiente. Além disso, o IronPDF oferece um período de teste gratuito , permitindo que você explore todos os seus recursos sem riscos antes de se comprometer. Para obter detalhes sobre preços e saber mais sobre as opções de licenciamento, visite a página de preços .