Extract Embedded Text and Images from PDFs in C

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 os valores Top, Right, Bottom e Left, que representam 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.

: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}"))

Quais são os diferentes métodos para extração de imagens?

Além do método ExtractAllImages, utilize os métodos ExtractAllBitmaps e ExtractAllRawImages para extrair informações da imagem. Enquanto ExtractAllBitmaps retorna uma lista de AnyBitmap, ExtractAllRawImages extrai todas as imagens e as retorna como matrizes de bytes brutos (byte[]).

O método ExtractAllRawImages funciona bem ao processar dados de imagem na memória ou ao integrar-se 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.

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

Extrair de páginas específicas quando:

• Trabalhar com PDFs grandes que contêm dados relevantes em determinadas seções.
• Implementar fluxos de trabalho que lidam com páginas de forma independente.
• Desenvolvimento de aplicações que exigem exibição ou processamento incremental de conteúdo.
• Otimização do uso de memória através do processamento apenas das 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:

• Utilização de memória : Extrai páginas individualmente de documentos grandes para minimizar o consumo de memória.
• Tempo de processamento : Utilize o processamento paralelo para extrações de várias páginas quando apropriado.
• Tamanho do arquivo : PDFs maiores com imagens de alta resolução exigem mais tempo de processamento.
• Armazenamento : Planeje espaço em disco suficiente para extrair diversas imagens de alta resolução.
• Multithreading : O IronPDF suporta operações multithread para melhor desempenho em sistemas com múltiplos núcleos.

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