如何从 PDF 文件中提取嵌入的文本和图像
提取嵌入的文本和图像包括检索文档中的文本内容和图形元素。这一过程允许用户访问和重新利用这些内容，以便进行编辑、搜索或将文本转换为其他格式，并保存图像以供重新使用或分析。
要从 PDF 中提取文本和图像，请使用 IronPdf。提取的图像可保存到磁盘，或转换为其他图像格式，并嵌入到新渲染的文档中。
如何从 PDF 文件中提取嵌入的文本和图像
- 下载 C# 库，提取嵌入的文本和图像
- 为提取文本和图像准备 PDF 文档
- 使用
提取所有文本提取文本的方法 - 使用
提取所有图像提取图像的方法 - 指定提取文本和图像的特定页面
开始在您的项目中使用IronPDF，并立即获取免费试用。
查看 IronPDF 上 Nuget 用于快速安装和部署。它有超过800万次下载，正在使用C#改变PDF。
考虑安装 IronPDF DLL 直接。下载并手动安装到您的项目或GAC表单中： IronPdf.zip
提取文本示例
文本提取可在新渲染的 PDF 文档和现有 PDF 文档中执行。使用 ExtractAllText 方法可提取文档中的嵌入文本。该方法将返回一个包含给定 PDF 中所有文本的字符串。页面之间由四个连续的 Environment.NewLinesPages 分隔。让我们使用 PDF 样本 这是我从维基百科网站上下载的。
:path=/static-assets/pdf/content-code-examples/how-to/extract-text-and-images-extract-text.csusing 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
在每个 PDF 页面中，都可以检索文本行和字符的坐标。首先，从 PDF 中选择一页，然后访问 Lines 和 Characters 属性。坐标以顶部、右侧、底部和左侧值的形式显示，代表文本的位置。
:path=/static-assets/pdf/content-code-examples/how-to/extract-text-and-images-extract-text-by-line-character.csusing 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.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) $"at Y={l.Bottom:F2}: {l.Contents}"))
提取图像示例
使用 ExtractAllImages 方法提取文档中嵌入的所有图像。该方法将以 AnyBitmap 对象列表的形式返回图像。使用之前示例中的同一文档，我们提取了图像并将其导出到 "images "文件夹。
:path=/static-assets/pdf/content-code-examples/how-to/extract-text-and-images-extract-image.csusing IronPdf;
PdfDocument pdf = PdfDocument.FromFile("sample.pdf");
// Extract images
var images = pdf.ExtractAllImages();
for(int i = 0; i < images.Count; i++)
{
// Export the extracted images
images[i].SaveAs($"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
除了上面显示的 ExtractAllImages 方法外，用户还可以使用 ExtractAllBitmaps 和 ExtractAllRawImages 方法从文档中提取图像信息。如代码示例所示，"ExtractAllBitmaps "方法将返回一个 AnyBitmap 列表，而 "ExtractAllRawImages "方法将提取 PDF 文档中的所有图像，并以字节数组的形式返回原始数据 (字节 []).
提取特定页面上的文本和图像
文本和图像提取可在单个或多个指定页面上进行。使用 ExtractTextFromPage 和 ExtractTextFromPages 方法可分别从单页或多页提取文本。要提取图像，请使用 ExtractImagesFromPage 和 ExtractImagesFromPages 方法。
:path=/static-assets/pdf/content-code-examples/how-to/extract-text-and-images-extract-text-single-multiple.csusing 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)
