Extract Embedded Text and Images from PDFs in C#

Curtis Chau

Updated: 16 de fevereiro de 2026

Download IronPDF

• NuGet Download
• DLL Download
• Windows Installer

• ---

• Start Free Trial

Copy for LLMs

• Copy for LLMs

  Copy page as Markdown for LLMs

• ---

• Open in ChatGPT

  Ask ChatGPT about this page
• Open in Gemini

  Ask Gemini about this page
• Open in Grok

  Ask Grok about this page
• Open in Perplexity

  Ask Perplexity about this page

Share

• Share on Facebook
• Share on X (Twitter)
• Share on LinkedIn

• ---

• Email article

Extraia conteúdo de texto e imagens de documentos PDF em C# com chamadas de método simples. Recupere o conteúdo incorporado para edição, análise ou reutilização em outros aplicativos.

A extração de texto e imagem recupera conteúdo textual e elementos gráficos de documentos PDF. Acesse e reutilize conteúdo para editar, pesquisar, converter texto para outros formatos ou salvar imagens para reutilização. Seja para analisar PDFs em C# para análise de dados, converter conteúdo para formatos pesquisáveis ​​ou extrair elementos visuais para arquivamento, o IronPDF oferece ferramentas de extração abrangentes.

Extraia texto e imagens usando o IronPDF. Salve as imagens extraídas no disco ou converta-as para outro formato antes de incorporá-las em novos documentos. Essa flexibilidade suporta fluxos de trabalho que exigem transformação de conteúdo, como a conversão de PDFs em HTML ou a reutilização de imagens extraídas.

Extraia texto e imagens de PDFs com apenas algumas linhas de código. Este guia rápido demonstra como recuperar conteúdo incorporado de documentos PDF para reutilização e análise de conteúdo. Extraia texto para edição ou salve imagens para uso posterior com a solução simplificada do IronPDF.

Como extrair texto de PDFs?

Extrair texto de documentos PDF, tanto recém-renderizados quanto já existentes. Use o método ExtractAllText para extrair texto incorporado do documento. O método retorna uma string contendo todo o texto do PDF. As páginas são separadas por quatro caracteres de nova linha consecutivos. Este exemplo utiliza um PDF de amostra gerado a partir do site da Wikipédia.

Ao trabalhar com PDFs que contêm idiomas internacionais e caracteres UTF-8 , o IronPDF mantém a codificação e a representação de caracteres adequadas. Isso garante a exibição correta de alfabetos não latinos e caracteres especiais.

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);

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)

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)

Como posso extrair texto com coordenadas precisas?

Recupere as coordenadas das linhas de texto e dos caracteres em cada página do PDF. Selecione uma página do PDF e acesse as propriedades Lines e Characters. As coordenadas incluem valores Top, Right, Bottom e Left representando a posição do texto. Essa funcionalidade preserva o layout espacial e permite a análise da posição do texto.

Para desenvolvedores que precisam ler arquivos PDF em C# com reconhecimento de posição, a extração de coordenadas fornece dados para manter a estrutura do documento e implementar análises de texto avançadas.

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}"));

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}"))

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}"))

Como extrair imagens de PDFs?

Use o método ExtractAllImages para extrair todas as imagens incorporadas do documento. O método retorna imagens como uma lista de List de objetos AnyBitmap. Utilizando o mesmo documento, extraímos as imagens e as exportamos para a pasta 'imagens'. Essa funcionalidade oferece suporte ao arquivamento de imagens, migração de conteúdo e rasterização de páginas PDF em imagens para processamento posterior.

As imagens extraídas mantêm a qualidade original e podem ser salvas em vários formatos, incluindo PNG, JPEG e BMP. Para fluxos de trabalho de armazenamento em nuvem, integre essa funcionalidade ao Azure Blob Storage para gerenciamento de imagens .

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");
}

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

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

Quais são os diferentes métodos para extração de imagens?

Além do método ExtractAllImages, use os métodos ExtractAllBitmaps e ExtractAllRawImages para extrair informações de imagem. Enquanto ExtractAllBitmaps retorna um List de AnyBitmap, ExtractAllRawImages extrai todas as imagens e as retorna como byte[] bruto (byte[]).

O método ExtractAllRawImages funciona bem ao processar dados de imagem na memória ou integrar com sistemas que exigem entradas de matriz de bytes. Para cenários que envolvem a exportação de PDFs para fluxos de memória , o formato de matriz de bytes brutos oferece flexibilidade ideal.

Minha biblioteca favorita desse tipo é o IronPDF. Ele permite a manipulação rápida e eficiente de arquivos PDF. Além disso, possui muitos recursos valiosos, como a exportação para o formato PDF/A e a assinatura digital de documentos PDF.

Milan Jovanovic

Microsoft MVP

Veja o estudo de caso

Com o IronOCR, podemos economizar US$ 40.000 por ano em processamento manual, ao mesmo tempo que aumentamos a produtividade e liberamos recursos para tarefas de alto impacto. Eu o recomendo fortemente.

Brent Matzelle

Diretor de Tecnologia, OPYN

Veja o estudo de caso

O IronSuite desempenha um papel crucial nas nossas operações. Estas são ferramentas que aumentam a eficiência no negócio, incluindo a criação de plantas baixas e melhoria na gestão de inventário.

David Jones

Engenheiro(a) de Software Líder, Agorus Build

Veja o estudo de caso

Como extrair conteúdo de páginas específicas de um PDF?

Extrair texto e imagens de uma ou várias páginas especificadas. Use os métodos ExtractTextFromPage e ExtractTextFromPages para extração de texto de uma ou várias páginas. Para imagens, use os métodos ExtractImagesFromPage e ExtractImagesFromPages.

Esse controle granular é útil ao trabalhar com documentos extensos, onde apenas seções específicas contêm conteúdo relevante. Ele também oferece recursos para dividir PDFs e extrair páginas individuais para processamento separado.

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);

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)

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)

Quando devo extrair dados de páginas específicas em vez de todas as páginas?

Extrair de páginas específicas quando:

• Trabalhando com grandes PDFs contendo dados relevantes em certas seções
• Implementando fluxos de trabalho que lidam com páginas de forma independente
• Construindo aplicações que exigem exibição ou processamento incremental de conteúdo
• Otimizando o uso de memória processando apenas as páginas necessárias
• Criar funcionalidades de pesquisa ou indexação específicas para cada página

Que aspectos de desempenho devo levar em consideração?

Considere estes fatores de desempenho ao extrair conteúdo de PDFs:

• Uso de Memória: Extraia páginas individualmente de documentos grandes para minimizar o consumo de memória
• Tempo de Processamento: Use o processamento paralelo para extrações de várias páginas quando apropriado
• Tamanho do Arquivo: PDFs maiores com imagens em alta resolução requerem mais tempo de processamento
• Armazenamento: Planeje espaço suficiente em disco para extrair inúmeras imagens de alta resolução
• Threading: O IronPDF suporta operações multi-threaded para melhorar o desempenho em sistemas multi-core

Para obter o melhor desempenho com PDFs em memória, use operações de fluxo de memória para reduzir a sobrecarga de E/S de disco.

Curtis Chau

Converse agora mesmo com a equipe de engenharia.

Redator Técnico

Curtis Chau é bacharel em Ciência da Computação (Universidade Carleton) e se especializa em desenvolvimento front-end, com experiência em Node.js, TypeScript, JavaScript e React. Apaixonado por criar interfaces de usuário intuitivas e esteticamente agradáveis, Curtis gosta de trabalhar com frameworks modernos e criar manuais bem estruturados e visualmente atraentes.

...

Leia mais