Como extrair dados de um PDF em C#

Criar ou abrir um projeto C# no Visual Studio

Este tutorial recomenda o uso da versão mais recente do Visual Studio.

Após abrir o Visual Studio, siga os passos abaixo para criar um novo projeto C#. Se já existir um projeto que você gostaria de usar, pule estas etapas e prossiga diretamente para a próxima seção.

• Abra o Visual Studio
• Clique no botão "Criar um novo projeto".

Interface de abertura do Visual Studio

• Selecione "Aplicativo de console C#" nos modelos.

Criar um novo projeto

• Dê um nome ao projeto e clique no botão Próximo .
• Selecione um .NET Framework de acordo com os requisitos do seu projeto e clique no botão Criar .

Seleção do .NET Framework

O Visual Studio agora irá gerar um novo projeto C# .NET .

Instale a biblioteca IronPDF.

Install-Package IronPdf

Extrair dados de arquivos PDF

Vejamos o seguinte código sobre como extrair dados usando o IronPDF:

// Import necessary namespaces
using IronPdf;
using System.Collections.Generic;
using System.Drawing;

public class PDFExtractor
{
    public void ExtractDataFromPDF()
    {
        // Open a 128-bit encrypted PDF file by providing the filename and password
        using PdfDocument pdf = PdfDocument.FromFile("encrypted.pdf", "password");

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

        // Extract all images from the PDF document
        IEnumerable<Image> allImages = pdf.ExtractAllImages();

        // Iterate over each page in the PDF document
        for (var index = 0; index < pdf.PageCount; index++)
        {
            int pageNumber = index + 1;

            // Extract text from the specific page
            string text = pdf.ExtractTextFromPage(index);

            // Extract images from the specific page
            IEnumerable<Image> images = pdf.ExtractImagesFromPage(index);

            // Code to process the extracted text and images
            //...
        }
    }
}

// Import necessary namespaces
using IronPdf;
using System.Collections.Generic;
using System.Drawing;

public class PDFExtractor
{
    public void ExtractDataFromPDF()
    {
        // Open a 128-bit encrypted PDF file by providing the filename and password
        using PdfDocument pdf = PdfDocument.FromFile("encrypted.pdf", "password");

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

        // Extract all images from the PDF document
        IEnumerable<Image> allImages = pdf.ExtractAllImages();

        // Iterate over each page in the PDF document
        for (var index = 0; index < pdf.PageCount; index++)
        {
            int pageNumber = index + 1;

            // Extract text from the specific page
            string text = pdf.ExtractTextFromPage(index);

            // Extract images from the specific page
            IEnumerable<Image> images = pdf.ExtractImagesFromPage(index);

            // Code to process the extracted text and images
            //...
        }
    }
}

' Import necessary namespaces
Imports IronPdf
Imports System.Collections.Generic
Imports System.Drawing

Public Class PDFExtractor
	Public Sub ExtractDataFromPDF()
		' Open a 128-bit encrypted PDF file by providing the filename and password
		Using pdf As PdfDocument = PdfDocument.FromFile("encrypted.pdf", "password")
	
			' Extract all text from the PDF document
			Dim allText As String = pdf.ExtractAllText()
	
			' Extract all images from the PDF document
			Dim allImages As IEnumerable(Of Image) = pdf.ExtractAllImages()
	
			' Iterate over each page in the PDF document
			For index = 0 To pdf.PageCount - 1
				Dim pageNumber As Integer = index + 1
	
				' Extract text from the specific page
				Dim text As String = pdf.ExtractTextFromPage(index)
	
				' Extract images from the specific page
				Dim images As IEnumerable(Of Image) = pdf.ExtractImagesFromPage(index)
	
				' Code to process the extracted text and images
				'...
			Next index
		End Using
	End Sub
End Class

Neste exemplo de código:

1. O método FromFile é usado para carregar o documento PDF de entrada, que está criptografado e requer uma senha.
2. O método ExtractAllText extrai todo o conteúdo textual do PDF.
3. O método ExtractAllImages recupera todas as imagens incorporadas.
4. Um loop itera sobre cada página do documento para extrair texto e imagens dessa página específica usando ExtractTextFromPage e ExtractImagesFromPage.