如何從 PDF 中提取嵌入的文本和圖像
提取嵌入的文本和圖片涉及檢索文檔中的文字內容和圖形元素。此過程允許用戶存取和重新利用內容進行編輯、搜索或將文本轉換為其他格式以及保存圖片以供重用或分析。
若要從 PDF 提取文本和圖片,請使用 IronPdf。提取的圖片可以保存到磁碟,或者轉換成另一種圖片格式並嵌入新渲染的文檔中。
如何從 PDF 中提取嵌入的文本和圖像
- 下載 C# 庫來提取嵌入的文字和圖片
- 準備 PDF 文件以進行文字和圖像提取
- 使用
提取所有文本
提取文字的方法 - 使用
提取所有圖片
提取圖片的方法 - 指定要提取文本和圖像的特定頁面
立即開始在您的專案中使用IronPDF,並享受免費試用。
查看 IronPDF 上 Nuget 快速安裝和部署。已被下載超過800萬次,它正用C#改變PDF。
Install-Package IronPdf
請考慮安裝 IronPDF DLL 直接下載並手動安裝到您的專案或GAC表單: IronPdf.zip
手動安裝到您的項目中
下載DLL提取文字範例
文字提取可以在新渲染和現有的 PDF 文件上進行。使用 ExtractAllText
方法從文件中提取嵌入的文字。該方法將返回一個包含所給 PDF 所有文字的字串。頁面之間用四個連續的 Environment.NewLinesPages 分隔。我們來使用一個 範例 PDF 從維基百科網站上渲染的內容。
:path=/static-assets/pdf/content-code-examples/how-to/extract-text-and-images-extract-text.cs
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)
按行和字符提取文本
在每個 PDF 頁面內,可以檢索文本行和字符的坐標。首先,從 PDF 中選擇一個頁面並訪問 Lines 和 Characters 屬性。這些坐標以上、右、下、左的值表示文本的位置。
: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) $"at Y={l.BoundingBox.Bottom:F2}: {l.Contents}"))
提取圖片範例
使用 ExtractAllImages
方法來提取文檔中嵌入的所有圖片。該方法會將圖片以 AnyBitmap 對象列表的形式返回。使用我們上一個範例中的同一個文檔,我們提取了圖片並將它們導出到 'images' 文件夾中。
:path=/static-assets/pdf/content-code-examples/how-to/extract-text-and-images-extract-image.cs
using IronPdf;
PdfDocument pdf = PdfDocument.FromFile("sample.pdf");
// Extract images
var images = pdf.ExtractAllImages();
for(int i = 0; i < images.Count; i++)
{
// Export the extracted images
images[i].SaveAs($"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
除了上述的 ExtractAllImages
方法,使用者還可以使用 ExtractAllBitmaps
和 ExtractAllRawImages
方法從文件中提取圖片信息。雖然 ExtractAllBitmaps
方法會返回一個 AnyBitmap 的列表,如程式碼範例所示,但 ExtractAllRawImages
方法則會從 PDF 文件中提取所有圖片,並以位元組數組的形式返回原始數據。 (位元組 []).
在特定頁面提取文本和圖像
文本和圖像提取都可以在單個或多個指定頁面上進行。使用 ExtractTextFromPage
和 ExtractTextFromPages
方法來從單個頁面或多個頁面提取文本。要提取圖像,請使用 ExtractImagesFromPage
和 ExtractImagesFromPages
方法。
:path=/static-assets/pdf/content-code-examples/how-to/extract-text-and-images-extract-text-single-multiple.cs
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)