PdfPig: Erweiterte PDF-Text-Extraktion für .NET

Was ist PdfPig?

PdfPig ist eine Open-Source-.NET-Bibliothek, die sich auf die Extraktion von Inhalten aus PDF-Dateien ohne native Abhängigkeiten konzentriert. Im Gegensatz zu PDF-Generatoren ist PdfPig spezialisiert auf das Lesen vorhandener Dokumente, um auf Text, Schriftartinformationen, Positionsdaten und Dokumentstruktur zuzugreifen. Besonders wertvoll für Data Mining, Inhaltsanalyse und Dokumentenverarbeitungspipelines.

Hauptvorteile von PdfPig:

• Keine Abhängigkeiten: Reine C#-Implementierung
• Low-Level-Zugriff: Präzise Textpositionierung und Schriftmetriken
• Speichereffizient: Verarbeitet große Dokumente mit minimalem Overhead
• OCR-bereit: Text mit Begrenzungsrahmen für Analysen extrahieren
• MIT-Lizenz: Kostenlos für kommerzielle Nutzung

Ideal für Dokumentenanalyse, Textextraktion und PDF-Inhaltsverarbeitung.

GitHub-Statistiken

Name:
Sprache:
Sterne:
Gabeln:
Lizenz:
Das Repository wurde zuletzt aktualisiert unter

Warum PdfPig wählen?

• Genauigkeit: Verarbeitet komplexe PDF-Textlayouts korrekt
• Leistung: Schneller als ähnliche .NET-Bibliotheken
• Transparenz: Zugriff auf rohe PDF-Strukturen bei Bedarf
• Aktive Entwicklung: Regelmäßige Updates seit 2018
• Plattformübergreifend: Funktioniert mit .NET Standard 2.0+

Installation

PdfPig ist über NuGet für eine einfache Integration verfügbar:

Install-Package PdfPig

dotnet add package PdfPig

Systemanforderungen: .NET Standard 2.0-kompatible Laufzeitumgebung

Codebeispiele

Praktische Beispiele der PdfPig-Funktionen:

Beispiel 1: Grundlegende Textextraktion

Dieses Beispiel zeigt, wie ein PDF-Dokument geöffnet und der gesamte Textinhalt unter Beibehaltung der Lesereihenfolge extrahiert wird. PdfPig ermöglicht den Zugriff auf jedes Zeichen mit seiner genauen Position im Dokument.

Ausgabe beinhaltet:

• Rohen Textinhalt in Lesereihenfolge
• Seitennummern für jeden Textabschnitt
• Grundlegende Schriftartinformationen

Beispiel 2: Erweiterte Positionsanalyse

PdfPig zeichnet sich durch die Bereitstellung präziser Positionsdaten für Textelemente aus. Dieses Beispiel zeigt, wie Wörter mit ihren Begrenzungsrahmen extrahiert werden.

Beispiel 3: Schriftart- und Metadatenextraktion

Neben Textinhalten bietet PdfPig Zugriff auf Dokumentmetadaten und detaillierte Schriftartinformationen.

Erweiterte Funktionen

PdfPig unterstützt professionelle PDF-Analysen:

• Bilderextraktion: Zugriff auf eingebettete Bilder:

  Bilderextraktion

  
      using var document = PdfDocument.Open("datei.pdf");
      foreach (var page in document.GetPages())
      {
          foreach (var image in page.GetImages())
          {
              var bytes = image.RawBytes;
              // Bilddaten verarbeiten
          }
      }
      
  

• Lesezeichennavigation: Zugriff auf Dokumentgliederung:

  Lesezeichen

  
      var bookmarks = document.GetBookmarks();
      foreach (var bookmark in bookmarks)
      {
          Console.WriteLine($"{bookmark.Title} - Seite {bookmark.PageNumber}");
      }
      
  

• Verschlüsselte PDFs: Umgang mit passwortgeschützten Dateien:

  Verschlüsseltes PDF

  
      var options = new ParsingOptions
      {
          Password = "secure123"
      };
      using var doc = PdfDocument.Open("verschlüsselt.pdf", options);
      
  

PdfPig vs PdfSharp

5 wesentliche Unterschiede zwischen PdfPig und PDFsharp:

• Hauptfunktion: PdfPig spezialisiert sich auf Lesen/Extrahieren von Text und Metadaten. PDFsharp konzentriert sich auf das Erstellen/Bearbeiten von PDF-Dokumenten
• Text vs Grafik: PdfPig extrahiert Text mit Pixelgenauigkeit. PDFsharp ist für das Zeichnen von Text/Formen optimiert
• Dokumentenzugriff: PdfPig analysiert vorhandene PDFs, PDFsharp kann Seiten modifizieren
• Erweiterte Funktionen: PdfPig offenbart Schriftdetails und Dokumentstruktur, PDFsharp unterstützt PDF/A-Standards
• Anwendungsfälle: PdfPig für Data Mining, PDFsharp für Berichtgenerierung

Fazit

PdfPig bietet .NET-Entwicklern unübertroffenen Zugriff auf PDF-Inhalte. Ideal für:

• Datenextraktion: Inhaltsgewinnung aus Berichten
• Dokumentenanalyse: Verständnis der PDF-Struktur
• Barrierefreiheit: Konvertierung von PDF-Inhalten in andere Formate
• Vorverarbeitung: Vorbereitung von Dokumenten für OCR oder ML

Mit seinem Fokus auf präzise Extraktion und geringem Speicherverbrauch ist PdfPig die beste Wahl für PDF-Analysen in .NET.

Ähnliche Produkte