PdfPig: Edistynyt PDF-tekstinpoiminta .NET:lle

Mikä on PdfPig?

PdfPig on avoimen lähdekoodin .NET-kirjasto, joka keskittyy PDF-tiedostojen sisällön poimintaan ilman natiivien riippuvuuksien ylimääräistä kuormaa. Toisin kuin PDF-generaattorit, PdfPig erikoistuu olemassa olevien dokumenttien lukemiseen tekstin, fonttitietojen, sijaintitietojen ja dokumenttirakenteen saavuttamiseksi. Se on erityisen arvokas datanlouhinnassa, sisältöanalyysissä ja asiakirjojen käsittelyputkissa.

PdfPigin keskeiset edut:

• Ei riippuvuuksia: Puhdas C#-toteutus
• Alatason pääsy: Tarkka tekstin sijoittelu ja fonttimittaukset
• Muistitehokas: Käsittelee suuria dokumentteja minimaalisella ylimääräisellä kuormalla
• OCR-valmis: Poimi tekstiä rajauslaatikoineen analyysiä varten
• MIT-lisenssi: Vapaa kaupalliseen käyttöön

Ihanteellinen asiakirjojen analysointiin, tekstin poimintaan ja PDF-sisällön käsittelyyn.

GitHub-tilastot

Nimi:
Kieli:
Tähdet:
Haarukat:
Lisenssi:
Arkisto päivitettiin viimeksi klo

Miksi valita PdfPig?

• Tarkkuus: Käsittelee monimutkaiset PDF-tekstiasettelut oikein
• Suorituskyky: Nopeampi kuin vastaavat .NET-kirjastot vertailutesteissä
• Läpinäkyvyys: Pääsy raakoihin PDF-rakenteisiin tarvittaessa
• Aktiivinen kehitys: Säännöllisiä päivityksiä vuodesta 2018 lähtien
• Alustariippumaton: Toimii .NET Standard 2.0+:ssa

Asennus

PdfPig on saatavilla NuGetin kautta helppoa integrointia varten:

Install-Package PdfPig

dotnet add package PdfPig

Järjestelmävaatimukset: .NET Standard 2.0 -yhteensopiva suoritusympäristö

Koodiesimerkkejä

Käytännön esimerkkejä PdfPigin ominaisuuksista:

Esimerkki 1: Perustekstin poiminta

Tämä esimerkki näyttää, miten PDF-dokumentti avataan ja kaikki tekstisisältö poimitaan säilyttäen lukujärjestys. PdfPig tarjoaa pääsyn jokaiseen kirjaimeen sen tarkassa sijainnissa dokumentissa, mahdollistaen edistyneen asettelun analyysin pelkän tekstin poiminnan lisäksi.

Tuloste sisältää:

• Raakatekstisisällön lukujärjestyksessä
• Sivunumerot jokaiselle tekstiosuudelle
• Perusfonttitiedot

Esimerkki 2: Edistynyt sijaintianalyysi

PdfPig erottuu tarjoamalla tarkkoja sijaintitietoja teksti-elementeille. Tämä esimerkki näyttää, miten sanoja poimitaan niiden rajauslaatikoineen, mahdollistaen tehtäviä kuten taulukoiden tunnistus, lomakkeiden käsittely ja sisältöalueiden analyysi.

Esimerkki 3: Fonttien ja metatietojen poiminta

Tekstisisällön lisäksi PdfPig tarjoaa pääsyn dokumentin metatietoihin ja yksityiskohtaisiin fonttitietoihin. Tämä esimerkki esittelee dokumenttien ominaisuuksien poiminnan ja fonttien käytön analyysin koko PDF:ssä.

Edistyneet ominaisuudet

PdfPig tukee ammattimaista PDF-analyysiä:

• Kuvien poiminta: Pääsy upotettuihin kuvihin:

  Kuvien poiminta

  
      using var document = PdfDocument.Open("tiedosto.pdf");
      foreach (var page in document.GetPages())
      {
          foreach (var image in page.GetImages())
          {
              var bytes = image.RawBytes;
              // Käsittele kuvadataa
          }
      }
      
  

• Kirjanmerkkien navigointi: Pääsy dokumentin rakenteeseen:

  Kirjanmerkit

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

• Salatut PDF:t: Salasanasuojattujen tiedostojen käsittely:

  Salattu PDF

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

PdfPig vs PdfSharp

Tässä 5 keskeistä eroa PdfPigin ja PDFsharpin välillä:

• Päätehtävä: PdfPig erikoistuu tekstin, sijaintien ja metatietojen lukemiseen/poimintaan. PDFsharp keskittyy PDF-dokumenttien luomiseen/muokkaamiseen
• Teksti vs grafiikka: PdfPig poimii tekstin pikselitarkkuudella (mukaan lukien koordinaatit). PDFsharp on optimoitu tekstin/muotojen piirtämiseen (raportit, laskut, lomakkeet)
• Dokumenttipääsy: PdfPig analysoi olemassa olevia PDF-tiedostoja, kun taas PDFsharp voi muokata sivuja, lisätä sisältöä ja yhdistää tiedostoja
• Edistyneet ominaisuudet PdfPig paljastaa fonttitiedot, rajauslaatikot ja dokumenttirakenteen, kun taas PDFsharp tukee PDF/A-standardeja, kuvia ja salauksia
• Käyttötapaukset PdfPig sopii datanlouhintaan, OCR-esikäsittelyyn, sisältöanalyysiin, kun taas PDFsharp on tarkoitettu raporttien luomiseen, PDF-manipulointiin, lomakkeiden täyttöön

Johtopäätös

PdfPig tarjoaa vertaansa vailla olevan PDF-sisällön käyttöönoton .NET-kehittäjille. Ihanteellinen:

• Datan poimintaan: Sisällön louhinta raporteista ja asiakirjoista
• Asiakirjojen analysointiin: PDF-rakenteen ja asettelun ymmärtäminen
• Saavutettavuuteen: PDF-sisällön muuntaminen muihin muotoihin
• Esikäsittelyyn: Asiakirjojen valmistelu OCR:lle tai koneoppimiselle

Tarkkaan sisällön poimintaan ja vähäiseen muistinkäyttöön keskittyen PdfPig on ensisijainen valinta PDF-analyysiin .NET-ympäristössä.

Samankaltaisia Tuotteita