如何在C#中查找PDF中的文字

理解 PDF 文件中的文字

PDF 檔案旨在以一致、與設備無關的格式呈現內容。 然而，PDF 中存儲文字的方式可能會有很大差異。 文本可能會存儲為：

• 可搜尋文字： 因為內嵌為文本（例如，從 Word 文件轉換為 PDF）所以可以直接提取的文本。
• 掃描文字： 顯示為圖像的文本，需要 OCR（光學字符識別）轉換為可搜尋的文本。
• 複雜佈局： 存儲為片段或以不尋常編碼的文本，使其更難準確提取和搜尋。

這種變化性意味著在 PDF 中有效的文字搜尋通常需要像 IronPDF 這樣的專用庫，能夠無縫處理多種類型的內容。

為什麼尋找文字很重要？

在 PDF 中尋找文字的能力具有廣泛應用，包括：

1. 自動化工作流程： 透過識別 PDF 文件中的關鍵詞或值自動化發票、合約、報告等任務。

2. 數據提取： 將信息提取並用於其他系統或分析。

3. 內容核對： 確保文檔中存在所需術語或短語，如合規性聲明或法律條款。

4. 提高用戶體驗： 在文檔管理系統中啟用搜尋功能，幫助用戶快速定位相關信息。

文字搜尋中的挑戰

由於以下挑戰，無法簡單在 PDF 中尋找文字：

• 編碼變化： 某些 PDF 使用自定義文本編碼，複雜化提取。
• 片段化文字： 文字可能分散成多個部分，使搜尋更加複雜。
• 圖形和圖像： 嵌入在圖像中的文字需要用 OCR 提取。
• 多語言支援： 搜尋跨不同語言、腳本文檔需要健全的處理。

主要優勢

1. 使用簡便：

   IronPDF 具有 直觀的 API，允許開發人員快速入門而無需陡峭的學習曲線。 無論您是進行基本的文字提取還是 HTML 到 PDF 轉換，或是高級操作，其方法都易於使用。

2. 高準確性：

   與某些處理複雜佈局或內嵌字體 PDFs 的庫不同，IronPDF 能夠精確地提取文本。

3. 跨平台支援：

   IronPDF 與 .NET Framework 和 .NET Core 兼容，確保開發人員可在現代網頁應用、桌面應用程式甚至舊系統中使用。

4. 支援高級查詢：

   庫支持像正則表達式和定向提取等高級搜索技巧，使其適合於復雜的使用案例，如數據挖掘或文檔索引。

安裝

要安裝 IronPDF，可在 Visual Studio 中使用 NuGet Package Manager 或在 Package Manager Console 中運行以下命令：

Install-Package IronPdf

Install-Package IronPdf

這將下載並安裝庫及其依賴項。

基本設置

庫安裝完畢後，需要通過引用 IronPDF 命名空間將其包含在專案中。 在程式碼文件的頂部添加以下行：

using IronPdf;

using IronPdf;

Imports IronPdf

加載 PDF 文件

第一步是加載要處理的 PDF 檔案。 這是使用 PdfDocument 類完成的，如以下代碼所示：

using IronPdf;
PdfDocument pdf = PdfDocument.FromFile("example.pdf");

using IronPdf;
PdfDocument pdf = PdfDocument.FromFile("example.pdf");

Imports IronPdf
Private pdf As PdfDocument = PdfDocument.FromFile("example.pdf")

PdfDocument 類在內存中表示 PDF 文件，使您可以執行各種操作，如提取文本或修改內容。 PDF 加載完成後，我們可以從整個 PDF 文件或文件中的特定 PDF 頁面搜尋文本。

搜尋特定文本

加載 PDF 後，使用 ExtractAllText() 方法提取整個文件的文本內容。 然後您可以使用標準字串操作技術搜尋特定詞彙：

using IronPdf;
public class Program
{
    public static void Main(string[] args)
    {
        string path = "example.pdf";
        // Load a PDF file
        PdfDocument pdf = PdfDocument.FromFile(path);
        // Extract all text from the PDF
        string text = pdf.ExtractAllText();
        // Search for a specific term
        string searchTerm = "Invoice";
        bool isFound = text.Contains(searchTerm, StringComparison.OrdinalIgnoreCase);
        Console.WriteLine(isFound
            ? $"The term '{searchTerm}' was found in the PDF!"
            : $"The term '{searchTerm}' was not found.");
    }
}

using IronPdf;
public class Program
{
    public static void Main(string[] args)
    {
        string path = "example.pdf";
        // Load a PDF file
        PdfDocument pdf = PdfDocument.FromFile(path);
        // Extract all text from the PDF
        string text = pdf.ExtractAllText();
        // Search for a specific term
        string searchTerm = "Invoice";
        bool isFound = text.Contains(searchTerm, StringComparison.OrdinalIgnoreCase);
        Console.WriteLine(isFound
            ? $"The term '{searchTerm}' was found in the PDF!"
            : $"The term '{searchTerm}' was not found.");
    }
}

Imports IronPdf
Public Class Program
	Public Shared Sub Main(ByVal args() As String)
		Dim path As String = "example.pdf"
		' Load a PDF file
		Dim pdf As PdfDocument = PdfDocument.FromFile(path)
		' Extract all text from the PDF
		Dim text As String = pdf.ExtractAllText()
		' Search for a specific term
		Dim searchTerm As String = "Invoice"
		Dim isFound As Boolean = text.Contains(searchTerm, StringComparison.OrdinalIgnoreCase)
		Console.WriteLine(If(isFound, $"The term '{searchTerm}' was found in the PDF!", $"The term '{searchTerm}' was not found."))
	End Sub
End Class

輸入 PDF

控制台輸出

此示例演示了一個簡單的情況，檢查一個詞彙是否存在於 PDF 中。 StringComparison.OrdinalIgnoreCase 確保搜尋的文字不區分大小寫。

文本搜尋的高級功能

using System.Text.RegularExpressions;  // Required namespace for using regex
// Extract all text
string pdfText = pdf.ExtractAllText();
// Use a regex to find patterns (e.g., email addresses)
Regex regex = new Regex(@"[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}");
MatchCollection matches = regex.Matches(pdfText);
foreach (Match match in matches)
{
    Console.WriteLine($"Found match: {match.Value}");
}

using System.Text.RegularExpressions;  // Required namespace for using regex
// Extract all text
string pdfText = pdf.ExtractAllText();
// Use a regex to find patterns (e.g., email addresses)
Regex regex = new Regex(@"[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}");
MatchCollection matches = regex.Matches(pdfText);
foreach (Match match in matches)
{
    Console.WriteLine($"Found match: {match.Value}");
}

Imports System.Text.RegularExpressions ' Required namespace for using regex
' Extract all text
Private pdfText As String = pdf.ExtractAllText()
' Use a regex to find patterns (e.g., email addresses)
Private regex As New Regex("[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}")
Private matches As MatchCollection = regex.Matches(pdfText)
For Each match As Match In matches
	Console.WriteLine($"Found match: {match.Value}")
Next match

using IronPdf;
public class Program
{
    public static void Main(string[] args)
    {
        // Load a PDF file
        PdfDocument pdf = PdfDocument.FromFile("urlPdf.pdf");
        // Extract text from the first page
        var pageText = pdf.Pages[0].Text.ToString(); 
        if (pageText.Contains("IronPDF"))
        {
            Console.WriteLine("Found the term 'IronPDF' on the first page!");
        }
    }
}

using IronPdf;
public class Program
{
    public static void Main(string[] args)
    {
        // Load a PDF file
        PdfDocument pdf = PdfDocument.FromFile("urlPdf.pdf");
        // Extract text from the first page
        var pageText = pdf.Pages[0].Text.ToString(); 
        if (pageText.Contains("IronPDF"))
        {
            Console.WriteLine("Found the term 'IronPDF' on the first page!");
        }
    }
}

Imports IronPdf
Public Class Program
	Public Shared Sub Main(ByVal args() As String)
		' Load a PDF file
		Dim pdf As PdfDocument = PdfDocument.FromFile("urlPdf.pdf")
		' Extract text from the first page
		Dim pageText = pdf.Pages(0).Text.ToString()
		If pageText.Contains("IronPDF") Then
			Console.WriteLine("Found the term 'IronPDF' on the first page!")
		End If
	End Sub
End Class

合同分析

法律專業人士可以使用 IronPDF 自動搜尋冗長合同中的關鍵詞或條款。 例如，快速定位「終止條款」或「保密性」在文件中。

發票處理

在財務或會計工作流程中，IronPDF 可以幫助定位大量 PDF 文件中的發票號碼、日期或金額，從而簡化操作並減少人工努力。

數據挖掘

IronPDF 可以集成到數據管道中，從報告或以 PDF 格式存儲的日誌中提取並分析信息。 這對處理大量非結構化數據的行業尤為有用。

IronPDF 不僅僅是一個處理 PDF 的庫； 它是一個完整的工具包，使 .NET 開發人員能夠輕鬆處理複雜的 PDF 操作。 從提取文本和尋找特定詞彙到使用正則表達式進行高級模式匹配，IronPDF 簡化了可能需要大量手動努力或多個庫才能完成的任務。

在 PDF 中提取和搜尋文本的能力解鎖了各行業的強大使用案例。 法律專業人士可以自動搜尋合同中的關鍵條款，會計師可以簡化發票處理，任何領域的開發人員都可以創建高效的文檔工作流程。 通過提供準確的文字提取、兼容 .NET Core 和 Framework 以及高端功能，IronPDF 確保您的 PDF 需求均得到滿足而不須任何煩惱。

立即開始！

不要讓 PDF 處理減慢您的開發進度。 立即開始使用 IronPDF 以簡化文本提取並提升生產力。 以下是您如何入手：

• 下載免費試用版： 訪問 IronPDF。
• 查看文檔： 在 IronPDF 文檔中探索詳細的指南和示例。
• 開始構建： 在您的 .NET 應用中實現強大的 PDF 功能，而不需多大努力。

邁出優化文檔工作流程的第一步，從而 IronPDF。 釋放其全部潛力，提升您的開發流程，以比以往任何時候更快地交付穩健、以 PDF 為動力的解決方案。