Este tutorial apresenta como extrair textos e imagens de arquivos PDF programaticamente, com suporte de primeira classe do IronPDF.

IronPDF

Características

Conversão eficiente de PDFs. O IronPDF também consegue fazer praticamente tudo que uma máquina pode fazer. Graças a esta biblioteca de PDF, os desenvolvedores podem criar, ler conteúdo de texto, escrever, carregar e manipular PDFs rapidamente.

O IronPDF converte HTML em um documento PDF utilizando o mecanismo do Chrome. Ele é compatível com Windows Forms, HTML, ASPX, Razor HTML, .NET Core, ASP.NET, Windows Forms e WPF. O IronPDF também oferece suporte a aplicativos Xamarin, Blazor, Unity e HoloLens. O IronPDF é compatível com aplicações Microsoft .NET e .NET Core (tanto pacotes Web ASP.NET quanto pacotes convencionais do Windows). O IronPDF pode ser usado para criar PDFs visualmente atraentes.

O IronPDF pode criar um PDF usando HTML5, JavaScript, CSS e imagens. O IronPDF também possui um poderoso conversor de HTML para PDF que se integra ao PDF. O IronPDF possui um mecanismo robusto de conversão de PDF que utiliza o motor de renderização Chromium. Além disso, é independente de quaisquer fontes externas.

• Uma imagem em PDF pode ser criada a partir de diversas fontes, incluindo HTML, HTML5, ASPX e Razor/MVC View. Tanto arquivos HTML quanto imagens podem ser convertidos para PDF.
• As ferramentas que podem ser usadas para trabalhar com PDFs interativos incluem o preenchimento e o envio de formulários interativos .
• Mesclar e dividir PDFs , extrair texto e imagens de arquivos PDF, pesquisar texto em arquivos PDF, rasterizar PDFs em imagens , alterar o tamanho da fonte e converter arquivos PDF.
• Permite a verificação de formulários de login HTML usando agentes de usuário, proxies, cookies, cabeçalhos HTTP e variáveis ​​de formulário.
• O IronPDF permite o acesso a documentos protegidos mediante o fornecimento de nomes de usuário e senhas.
• O IronPDF é um programa que lê texto em PDF e preenche as lacunas.
• Permite adicionar texto, imagens, marcadores , marcas d'água e muito mais.
• Você pode criar um arquivo PDF a partir de um arquivo CSS.

Para obter mais detalhes, visite esta página de informações sobre licenciamento do IronPDF para obter uma chave limitada gratuita e a versão profissional.

IronPDF- Formatação de fontes

Extrair texto de um arquivo PDF

O IronPDF também pode ler e extrair texto de arquivos PDF com a ajuda das bibliotecas do IronPDF . A seguir, apresentamos um padrão de código IronPDF que pode ser usado para examinar arquivos PDF existentes.

Extrair texto de todas as páginas

O exemplo de código abaixo demonstra o primeiro método para obter todo o conteúdo do PDF como uma string com apenas algumas linhas.

Imports IronPdf

Module Program
    Sub Main(args As String())
        ' Create a PDF Document object from an existing PDF file
        Dim pdfdoc = PdfDocument.FromFile("result.pdf")
        
        ' Extract all the text from the PDF
        Dim AllText As String = pdfdoc.ExtractAllText()
        
        ' Output the extracted text to the console
        Console.WriteLine(AllText)
    End Sub
End Module

Imports IronPdf

Module Program
    Sub Main(args As String())
        ' Create a PDF Document object from an existing PDF file
        Dim pdfdoc = PdfDocument.FromFile("result.pdf")
        
        ' Extract all the text from the PDF
        Dim AllText As String = pdfdoc.ExtractAllText()
        
        ' Output the extracted text to the console
        Console.WriteLine(AllText)
    End Sub
End Module

O código de exemplo acima demonstra como usar o método FromFile para ler um PDF de um arquivo existente e convertê-lo em um objeto de documento PDF. O objeto fornece um método chamado ExtractAllText que extrai texto simples do PDF e o transforma em uma string.

Extrair texto por número de página

O código de exemplo abaixo mostra como extrair dados de um arquivo PDF usando o número da página.

Imports IronPdf

Module Program
    Sub Main(args As String())
        ' Create a PDF Document object from an existing PDF file
        Dim pdfdoc = PdfDocument.FromFile("result.pdf")
        
        ' Extract text from the first page (page numbers are zero-based)
        Dim AllText As String = pdfdoc.ExtractTextFromPage(0)
        
        ' Output the extracted text to the console
        Console.WriteLine(AllText)
    End Sub
End Module

Imports IronPdf

Module Program
    Sub Main(args As String())
        ' Create a PDF Document object from an existing PDF file
        Dim pdfdoc = PdfDocument.FromFile("result.pdf")
        
        ' Extract text from the first page (page numbers are zero-based)
        Dim AllText As String = pdfdoc.ExtractTextFromPage(0)
        
        ' Output the extracted text to the console
        Console.WriteLine(AllText)
    End Sub
End Module

O código acima mostra como ler um PDF de um arquivo existente e transformá-lo em um objeto de documento PDF usando a função FromFile. É possível acessar textos e imagens no PDF usando este objeto. O objeto oferece um método chamado ExtractTextFromPage que permite enviar um número de página como parâmetro para obter uma string que contém cada palavra que estava naquela página do PDF.

Extrair texto entre páginas

O código abaixo mostra como extrair dados entre várias páginas.

Imports IronPdf

Module Program
    Sub Main(args As String())
        ' Define a list of page numbers from which to extract text
        Dim Pages As List(Of Integer) = New List(Of Integer) From {3, 5, 7}
        
        ' Create a PDF Document object from an existing PDF file
        Dim pdfdoc = PdfDocument.FromFile("result.pdf")
        
        ' Extract text from the specified pages
        Dim AllText As String = pdfdoc.ExtractTextFromPages(Pages)
        
        ' Output the extracted text to the console
        Console.WriteLine(AllText)
    End Sub
End Module

Imports IronPdf

Module Program
    Sub Main(args As String())
        ' Define a list of page numbers from which to extract text
        Dim Pages As List(Of Integer) = New List(Of Integer) From {3, 5, 7}
        
        ' Create a PDF Document object from an existing PDF file
        Dim pdfdoc = PdfDocument.FromFile("result.pdf")
        
        ' Extract text from the specified pages
        Dim AllText As String = pdfdoc.ExtractTextFromPages(Pages)
        
        ' Output the extracted text to the console
        Console.WriteLine(AllText)
    End Sub
End Module

O código acima demonstra como usar o método FromFile para ler um PDF de um arquivo existente e convertê-lo em um objeto de documento PDF. Este objeto permite examinar o texto e as imagens no PDF. O objeto tem um método chamado ExtractTextFromPages que pode ser usado para obter uma string que inclui todo o conteúdo de texto nas páginas dadas do documento, passando uma lista de números de página como parâmetro. Abaixo, à esquerda, encontra-se o PDF original e, à direita, os dados extraídos.

Extrair texto entre páginas (saída)

Extrair imagem de um arquivo PDF

O IronPDF fornece uma lista de métodos para extrair imagens, tais como:

• ExtractBitmapsFromPage
• ExtractBitmapsFromPages
• ExtractImagesFromPage
• ExtractImagesFromPages
• ExtractRawImagesFromPage
• ExtractRawImagesFromPages

Cada método permite extrair imagens de uma página ou de várias páginas do documento.

Imports IronPdf
Imports System.Drawing

Module Program
    Sub Main(args As String())
        ' Create a PDF Document object from an existing PDF file
        Dim pdfdoc = PdfDocument.FromFile("result.pdf")
        
        ' Extract raw images from the first page
        Dim images = pdfdoc.ExtractRawImagesFromPage(1)
        
        ' Iterate over extracted images
        For Each imgData As Byte() In images
            ' Create a memory stream from byte data
            Using ms As New IO.MemoryStream(imgData)
                ' Create a Bitmap object from the memory stream
                Dim image = New Bitmap(ms)
                
                ' Save the image to the specified output directory
                image.Save("output/test.jpg")
            End Using
        Next
    End Sub
End Module

Imports IronPdf
Imports System.Drawing

Module Program
    Sub Main(args As String())
        ' Create a PDF Document object from an existing PDF file
        Dim pdfdoc = PdfDocument.FromFile("result.pdf")
        
        ' Extract raw images from the first page
        Dim images = pdfdoc.ExtractRawImagesFromPage(1)
        
        ' Iterate over extracted images
        For Each imgData As Byte() In images
            ' Create a memory stream from byte data
            Using ms As New IO.MemoryStream(imgData)
                ' Create a Bitmap object from the memory stream
                Dim image = New Bitmap(ms)
                
                ' Save the image to the specified output directory
                image.Save("output/test.jpg")
            End Using
        Next
    End Sub
End Module

O código acima mostra como ler um documento de um arquivo existente e transformá-lo em um objeto de documento PDF usando a função FromFile. Ao passar um número de página para o método ExtractRawImagesFromPage do objeto, pode-se obter uma lista de bytes que contém cada imagem que estava presente naquela página do documento. Usando um loop For Each, cada fluxo de bytes é processado e transformado em um fluxo de memória, depois em um Bitmap, o que ajuda na salvaguarda de imagens. A imagem abaixo mostra o resultado do código acima.

Extrair imagens de um arquivo PDF

Para saber mais sobre o tutorial de código da API do IronPDF , consulte a documentação do IronPDF . Você também pode visitar outros tutoriais para aprender como analisar texto em PDF usando C# .

Conclusão

A licença de desenvolvimento da biblioteca IronPDF é gratuita. Caso o IronPDF seja utilizado em um ambiente de produção, diferentes licenças podem ser adquiridas dependendo das necessidades do desenvolvedor. O plano Lite começa em $999 e não tem custos contínuos. Também são oferecidas alternativas de redistribuição SaaS e OEM. Todas as licenças incluem atualizações, um ano de suporte ao produto e uma licença permanente. Eles também são úteis para fabricação, preparação e desenvolvimento. É uma compra única. Existem licenças adicionais gratuitas, com prazo de validade limitado, disponíveis para consulta. Visite a página com informações completas sobre licenciamento do IronPDF para ler os detalhes de preços e licenciamento do IronPDF. O IronPDF também oferece licenças gratuitas para proteção contra cópia.