在C#中使用iTextSharp从PDF提取文本与IronPDF

使用 IronPDF 从 PDF 文件中提取文本

安装后，提取文本就很简单：

using IronPdf;

// Load the PDF document
var pdf = PdfDocument.FromFile("invoice.pdf");

// Extract text from the PDF
string extractedText = pdf.ExtractAllText();

// Output the extracted text
Console.WriteLine(extractedText);

using IronPdf;

// Load the PDF document
var pdf = PdfDocument.FromFile("invoice.pdf");

// Extract text from the PDF
string extractedText = pdf.ExtractAllText();

// Output the extracted text
Console.WriteLine(extractedText);

注意： 此方法读取整个 PDF 文件并按读取顺序返回文本，相比传统库节省数小时的解析时间。

无需处理编码、内容流或手动解析。 IronPDF 内部处理所有这些，提供干净准确的输出，设置极少。然后您可以轻松地将提取的文本保存到新的文本文件中以便进一步操作或使用。

使用 iTextSharp 从 PDF 文档中提取文本

这是一个从单个 PDF 页面提取文本的示例：

using iText.Kernel.Pdf;
using iText.Kernel.Pdf.Canvas.Parser;
using iText.Kernel.Pdf.Canvas.Parser.Listener;

// Define the path to your PDF
string path = "sample.pdf";

// Open the PDF reader and document
using (PdfReader reader = new PdfReader(path))
using (PdfDocument pdf = new PdfDocument(reader))
{
    // Use a simple text extraction strategy
    var strategy = new SimpleTextExtractionStrategy();

    // Extract text from the first page
    string pageText = PdfTextExtractor.GetTextFromPage(pdf.GetPage(1), strategy);

    // Output the extracted text
    Console.WriteLine(pageText);
}

using iText.Kernel.Pdf;
using iText.Kernel.Pdf.Canvas.Parser;
using iText.Kernel.Pdf.Canvas.Parser.Listener;

// Define the path to your PDF
string path = "sample.pdf";

// Open the PDF reader and document
using (PdfReader reader = new PdfReader(path))
using (PdfDocument pdf = new PdfDocument(reader))
{
    // Use a simple text extraction strategy
    var strategy = new SimpleTextExtractionStrategy();

    // Extract text from the first page
    string pageText = PdfTextExtractor.GetTextFromPage(pdf.GetPage(1), strategy);

    // Output the extracted text
    Console.WriteLine(pageText);
}

本示例展示了 iTextSharp 的能力，但请注意，为了完成一个简单任务，所需的冗长和额外对象。

高级示例：使用 IronPDF 从页面范围提取文本

IronPDF 支持页面选择的细粒度控制和布局感知的文本提取。

using IronPdf;

// Load the PDF document
var pdf = PdfDocument.FromFile("longPdf.pdf");

// Define the page numbers to extract text from
int[] pages = new[] { 2, 3, 4 };

// Extract text from the specified pages
var text = pdf.ExtractTextFromPages(pages);

// Output the extracted text
Console.WriteLine("Extracted text from pages 2, 3, and 4:\n" + text);

using IronPdf;

// Load the PDF document
var pdf = PdfDocument.FromFile("longPdf.pdf");

// Define the page numbers to extract text from
int[] pages = new[] { 2, 3, 4 };

// Extract text from the specified pages
var text = pdf.ExtractTextFromPages(pages);

// Output the extracted text
Console.WriteLine("Extracted text from pages 2, 3, and 4:\n" + text);

高级示例：使用 iTextSharp 从页面范围提取文本

在 iTextSharp 中，您需要手动指定页面范围并使用 PdfTextExtractor 提取文本：

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
using System.IO;
using System.Text;

// Load the PDF document
PdfReader reader = new PdfReader("longPdf.pdf");
StringBuilder textBuilder = new StringBuilder();

// Extract text from pages 2–4
for (int i = 2; i <= 4; i++)
{
    string pageText = PdfTextExtractor.GetTextFromPage(reader, i, new LocationTextExtractionStrategy());
    textBuilder.AppendLine(pageText);
}

// Output the extracted text
Console.WriteLine(textBuilder.ToString());

// Close the PDF reader
reader.Close();

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
using System.IO;
using System.Text;

// Load the PDF document
PdfReader reader = new PdfReader("longPdf.pdf");
StringBuilder textBuilder = new StringBuilder();

// Extract text from pages 2–4
for (int i = 2; i <= 4; i++)
{
    string pageText = PdfTextExtractor.GetTextFromPage(reader, i, new LocationTextExtractionStrategy());
    textBuilder.AppendLine(pageText);
}

// Output the extracted text
Console.WriteLine(textBuilder.ToString());

// Close the PDF reader
reader.Close();

代码比较总结

IronPDF 和 iTextSharp 都具备高级 PDF 文本提取功能，但它们在复杂性和清晰度上的方法差异显著：

• IronPDF 保持干净和易访问。 其高级方法如 PdfDocument.ExtractAllText() 允许您以最少的设置提取结构化内容。代码简单直接，即使是 PDF 处理的新手开发者也容易实现。

• 另一方面，iTextSharp 需要对 PDF 结构有更深入的了解。 提取文本涉及设置自定义渲染监听器，手动管理页面，并逐行解释布局数据。虽然功能强大，但它更冗长且不够直观，使 IronPDF 对于大多数 .NET 项目来说是一个更快速和更易维护的选择。

但我们的比较尚未结束。 接下来，让我们看看这两个库在其他方面的比较。

1. 易用性

IronPDF：干净现代的 API

IronPDF 强调开发者体验。 安装通过 NuGet 很容易，语法直观：

using IronPdf;

// Load the PDF
var pdf = PdfDocument.FromFile("sample.pdf");

// Extract all text from every page
string extractedText = pdf.ExtractAllText();

// Output the extracted text
Console.WriteLine(extractedText);

using IronPdf;

// Load the PDF
var pdf = PdfDocument.FromFile("sample.pdf");

// Extract all text from every page
string extractedText = pdf.ExtractAllText();

// Output the extracted text
Console.WriteLine(extractedText);

IronPDF 通过像 ExtractAllText() 这样的简单方法调用抽象了复杂性，不需要样板代码或解析逻辑。

iTextSharp：更冗长且较低级

iTextSharp 需要手动解析每个页面并付出更多努力来提取纯文本。

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
using System.IO;
using System.Text;

// Load the PDF
var reader = new PdfReader("sample.pdf");
StringBuilder text = new StringBuilder();

for (int i = 1; i <= reader.NumberOfPages; i++)
{
    text.Append(PdfTextExtractor.GetTextFromPage(reader, i));
}

// Output the extracted text
Console.WriteLine(text.ToString());

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
using System.IO;
using System.Text;

// Load the PDF
var reader = new PdfReader("sample.pdf");
StringBuilder text = new StringBuilder();

for (int i = 1; i <= reader.NumberOfPages; i++)
{
    text.Append(PdfTextExtractor.GetTextFromPage(reader, i));
}

// Output the extracted text
Console.WriteLine(text.ToString());

开发人员需要手动遍历页面，这会引入更多代码并在出现边缘案例时可能导致错误。

2. 性能和可靠性

• IronPDF 基于现代渲染引擎 (Chromium) 构建，使其适合现代 PDF，即使是带有嵌入字体、旋转文本和多种布局的 PDF。 文本提取具有布局感知性，更自然地保留了间距。

• 尽管功能强大，iTextSharp 在复杂格式上可能会遇到困难。 带有混合方向或非标准编码的 PDF 文件可能产生乱码或文本顺序不正确。

3. 成本和许可

@@--BRACKET--i-OPEN--@@如果您正在构建商业软件或专有软件，iTextSharp AGPL 将迫使您开源代码或支付商业许可费用。 IronPdf为闭源项目提供了更为灵活的许可模式。

4. 开发者支持和文档

• IronPDF：提供现代化的文档、视频教程和快速的工单支持。

• iTextSharp：文档齐全，但除非你是付费用户，否则免费支持有限。

5. 跨库总结