如何在 ASP.NET Core 中从 PDF 文件读取数据

如何在 ASP.NET Core 中设置 IronPDF？

在 ASP.NET Core 项目中使用 IronPDF 非常快捷。 通过NuGet包管理器控制台使用以下命令安装IronPDF NuGet包：

Install-Package IronPdf

或通过 .NET CLI：

dotnet add package IronPdf

安装完成后，将 IronPDF 命名空间添加到您的 Program 类、控制器或服务中：

using IronPdf;

using IronPdf;

有关Docker 部署、 Azure 设置和其他Linux 兼容性等详细安装选项，请查看完整文档。 该库在容器化环境中运行流畅，只需极少的配置，使其成为微服务架构的理想选择。 您还可以将其配置为适用于AWS Lambda环境、 Windows 服务器或macOS 系统。 安装概述提供了特定于平台的指导，而高级 NuGet 选项则涵盖了企业部署场景。

如何从 PDF 文件中提取文本？

IronPDF的ExtractAllText方法可以即时访问PDF文档中的所有文本内容。 此方法处理各种文本编码，并保持原始文档的阅读顺序，确保在 ASP.NET Core 应用程序中准确提取 PDF 文件中的数据。 提取过程是线程安全的，并针对高性能场景进行了改进。 它支持国际语言的UTF-8编码。

// Load a PDF document
var pdf = PdfDocument.FromFile("document.pdf");
// Extract all text
string allText = pdf.ExtractAllText();
// Extract text from specific page (0-indexed)
string pageText = pdf.ExtractTextFromPage(0); // current page

// Load a PDF document
var pdf = PdfDocument.FromFile("document.pdf");
// Extract all text
string allText = pdf.ExtractAllText();
// Extract text from specific page (0-indexed)
string pageText = pdf.ExtractTextFromPage(0); // current page

ExtractAllText方法返回一个字符串，其中包含 PDF 中的所有可读文本，并保留换行符和空格。 对于页面特定的提取， ExtractTextFromPage允许使用从零开始的索引来定位单个页面。 当您提供正确的密码时，此方法可以顺利地用于加密 PDF 文件。 文本提取支持UTF-8编码和国际语言。 您还可以解析特定区域或使用PDF DOM 对象进行更精细的控制。

以下是一个实用的 ASP.NET Core 控制器实现，演示了如何使用最少的内存分配从 PDF 文件中读取数据：

[ApiController]
[Route("api/[controller]")]
public class PdfController : ControllerBase
{
    [HttpPost("extract-text")]
    public IActionResult ExtractText(IFormFile pdfFile)
    {
        using var stream = new MemoryStream();
        pdfFile.CopyTo(stream);
        var pdf = new PdfDocument(stream.ToArray());
        var extractedText = pdf.ExtractAllText();
        return Ok(new { text = extractedText });
    }
}

[ApiController]
[Route("api/[controller]")]
public class PdfController : ControllerBase
{
    [HttpPost("extract-text")]
    public IActionResult ExtractText(IFormFile pdfFile)
    {
        using var stream = new MemoryStream();
        pdfFile.CopyTo(stream);
        var pdf = new PdfDocument(stream.ToArray());
        var extractedText = pdf.ExtractAllText();
        return Ok(new { text = extractedText });
    }
}

如何读取 PDF 表单数据？

PDF 表单包含用户填写的交互字段。 IronPDF 通过其完整的表单 API 简化了表单数据的提取，支持所有标准的AcroForm字段类型。您可以轻松提取所有表单字段数据，包括文本框、复选框和内容类型详细信息。 该库可自动处理数字签名和表单验证。 它还支持符合 PDF/A归档要求和第 508 条无障碍标准。

然后可以将响应保存到数据库、返回给用户或集成到您的 ASP.NET 应用程序工作流中。 对于Azure 部署，请考虑使用Blob 存储来存储处理后的表单数据。 以下代码示范了如何做到这一点：

[HttpPost("extract-form")]
        public IActionResult ExtractForm([FromForm] IFormFile pdfFile)
        {
            if (pdfFile == null || pdfFile.Length == 0)
            {
                return BadRequest("No PDF file uploaded.");
            }
            using var stream = new MemoryStream();
            pdfFile.CopyTo(stream);
            var pdf = new PdfDocument(stream.ToArray());
            var formData = new Dictionary<string, string>();
            if (pdf.Form != null)
            {
                foreach (var field in pdf.Form)
                {
                    formData[field.Name] = field.Value;
                }
            }
            return Ok(new { formFields = formData });
        }

[HttpPost("extract-form")]
        public IActionResult ExtractForm([FromForm] IFormFile pdfFile)
        {
            if (pdfFile == null || pdfFile.Length == 0)
            {
                return BadRequest("No PDF file uploaded.");
            }
            using var stream = new MemoryStream();
            pdfFile.CopyTo(stream);
            var pdf = new PdfDocument(stream.ToArray());
            var formData = new Dictionary<string, string>();
            if (pdf.Form != null)
            {
                foreach (var field in pdf.Form)
                {
                    formData[field.Name] = field.Value;
                }
            }
            return Ok(new { formFields = formData });
        }

ExtractForm端点使用PdfDocument的 Form 属性从上传的 PDF 中读取交互式字段。 每个字段都有一个名称和值，这些值被收集到字典中并作为 JSON 返回。 这使得可以轻松捕获文本框、复选框和其他输入的数据，允许 PDF 表单提交被直接处理和集成到您的应用程序或数据库中。 如需自定义记录表单处理事件日志，请与您首选的日志框架集成。 您还可以将表单展平以防止进一步编辑，或以编程方式添加新的表单字段。

如何从 PDF 文档中提取表数据？

PDF 中的表格本质上是格式化的文本，需要解析逻辑来提取结构化数据。 IronPDF 可以提取文本并保留间距，然后您可以在 ASP.NET 中解析这些文本以从 PDF 文件中读取数据。 对于复杂的表格，可以考虑使用DOM 对象访问以编程方式访问文档结构。 该库能够处理多列布局，并在提取过程中保留字体格式：

[HttpPost("extract-table")]
public IActionResult ExtractTable([FromForm] IFormFile pdfFile)
{
    if (pdfFile == null || pdfFile.Length == 0)
        return BadRequest("No PDF file uploaded.");
    using var memoryStream = new MemoryStream();
    pdfFile.CopyTo(memoryStream);
    // Load PDF from byte array
    var pdf = new PdfDocument(memoryStream.ToArray());
    // Extract all text
    string text = pdf.ExtractAllText();
    // Split text into lines (rows)
    string[] lines = text.Split(new[] { '\r', '\n' }, StringSplitOptions.RemoveEmptyEntries);
    var tableData = new List<string[]>();
    foreach (string line in lines)
    {
        // Split line into columns using tab character
        string[] columns = line
            .Split('\t')
            .Where(c => !string.IsNullOrWhiteSpace(c))
            .ToArray();
        if (columns.Length > 0)
            tableData.Add(columns);
    }
    var table = tableData.Select(r => string.Join(" | ", r)).ToList();
    return Ok(new { Table = table });
}

[HttpPost("extract-table")]
public IActionResult ExtractTable([FromForm] IFormFile pdfFile)
{
    if (pdfFile == null || pdfFile.Length == 0)
        return BadRequest("No PDF file uploaded.");
    using var memoryStream = new MemoryStream();
    pdfFile.CopyTo(memoryStream);
    // Load PDF from byte array
    var pdf = new PdfDocument(memoryStream.ToArray());
    // Extract all text
    string text = pdf.ExtractAllText();
    // Split text into lines (rows)
    string[] lines = text.Split(new[] { '\r', '\n' }, StringSplitOptions.RemoveEmptyEntries);
    var tableData = new List<string[]>();
    foreach (string line in lines)
    {
        // Split line into columns using tab character
        string[] columns = line
            .Split('\t')
            .Where(c => !string.IsNullOrWhiteSpace(c))
            .ToArray();
        if (columns.Length > 0)
            tableData.Add(columns);
    }
    var table = tableData.Select(r => string.Join(" | ", r)).ToList();
    return Ok(new { Table = table });
}

该代码提取文本并根据间距模式将其拆分为可能的表行。 对于更复杂的表格，您可能需要使用关键字识别表格边界或根据您的特定 PDF 结构实施更复杂的解析逻辑。 对于包含多个表格的大型文档，可以考虑使用并行处理。 您还可以将表格转换为 HTML 格式以便于操作，或导出到 Excel进行进一步分析。

此输出可以下载、在浏览器中显示或进行其他信息处理。 您可以集成CSS 格式化或HTML 字符串渲染，以便在您的解决方案中动态显示表格。 对于高性能应用场景，缓存已解析的表数据以避免重复处理。 在存储提取的数据时，考虑使用压缩技术来减小文件大小。

如何在 ASP.NET Core 中处理上传的 PDF 文件？

处理上传的PDF需要将IFormFile转换为IronPDF可以读取的格式。 这种方法与Razor Pages和MVC 控制器配合使用非常顺畅。 对于容器化应用程序，请确保设置正确的内存分配。 该流程支持大型文件和批量操作：

[HttpPost("process-upload")]
        public async Task<IActionResult> ProcessPdf([FromForm] IFormFile file)
        {
            if (file == null || file.Length == 0)
                return BadRequest("No PDF file uploaded.");
            using var ms = new MemoryStream();
            await file.CopyToAsync(ms);
            // Load PDF from byte array
            var pdf = new PdfDocument(ms.ToArray());
            // Extract text and page count
            var text = pdf.ExtractAllText();
            var pageCount = pdf.PageCount;
            return Ok(new
            {
                text = text,
                pages = pageCount
            });
        }

[HttpPost("process-upload")]
        public async Task<IActionResult> ProcessPdf([FromForm] IFormFile file)
        {
            if (file == null || file.Length == 0)
                return BadRequest("No PDF file uploaded.");
            using var ms = new MemoryStream();
            await file.CopyToAsync(ms);
            // Load PDF from byte array
            var pdf = new PdfDocument(ms.ToArray());
            // Extract text and page count
            var text = pdf.ExtractAllText();
            var pageCount = pdf.PageCount;
            return Ok(new
            {
                text = text,
                pages = pageCount
            });
        }

此异步任务可确保非阻塞处理，并可与事件处理程序和标准 .NET 库配合使用。 使用带有 Content-Disposition 标头的ReturnFile可以让用户安全地下载已处理的 PDF 文件。 为了增加安全性，请考虑在处理之前实施文件验证。 异步模式提高了云部署的可扩展性。 您还可以在处理过程中添加自定义水印或数字签名。 对于MAUI 应用程序，类似的模式也适用，但需要根据平台进行调整。

PDF数据提取的下一步是什么？

IronPDF 使在 ASP.NET Core 和其他 .NET Core 应用程序中读取、提取、处理和保存 PDF 文档变得容易。 无论您是处理表单、表格、纯文本还是数字签名，这个 .NET 库都能将通常需要数小时才能完成的任务简化为几行代码。 您可以创建、转换、访问和显示HTML 、浏览器甚至图像格式的输出。 该图书馆支持PDF/A 合规性，可进行长期存档，并符合第 508 条款无障碍标准。

对于生产环境部署，请考虑实施健康检查端点来监控 PDF 处理服务。 使用自定义日志记录来跟踪提取性能和错误。 实现分布式系统中处理瞬态故障的重试策略。 配置渲染选项以获得最佳性能，并对经常访问的文档实施缓存策略。 该库与CI/CD 流水线集成良好，并支持服务器环境下的无头渲染。

首先进行免费试用，探索 IronPDF 在 ASP.NET Core 项目中的全部功能。 在承诺购买许可证之前，您可以构建和测试您的PDF提取工作流。 对于生产环境，IronPDF 提供灵活的许可选项，适合个人开发者或大型团队。 该库支持容器化部署，并为团队提供完整的文档。 使用 IronPDF 是在 ASP.NET Core 中处理 PDF 文件的最快方法之一，而且不会像通常那样出现部署方面的麻烦。 查看快速入门指南以立即实施，或探索OCR 功能和条形码生成等高级功能，以获得完整的文档处理解决方案。