PdfPig: Geavanceerde PDF-tekstextractie voor .NET

Wat is PdfPig?

PdfPig is een open-source .NET-bibliotheek gericht op het extraheren van inhoud uit PDF-bestanden zonder de overhead van native afhankelijkheden. In tegenstelling tot PDF-generators specialiseert PdfPig zich in het lezen van bestaande documenten om toegang te krijgen tot tekst, lettertype-informatie, positiegegevens en documentstructuur. Het is bijzonder waardevol voor data mining, inhoudsanalyse en documentverwerkingspijplijnen.

Belangrijke voordelen van PdfPig:

• Geen afhankelijkheden: Pure C#-implementatie
• Laag-niveau toegang: Precieze tekstpositionering en lettertypemetingen
• Geheugenefficiënt: Verwerkt grote documenten met minimale overhead
• OCR-gereed: Extraheer tekst met begrenzingsvakken voor analyse
• MIT-licentie: Gratis voor commercieel gebruik

Ideaal voor documentanalyse, tekstextractie en PDF-inhoudsverwerking.

GitHub-statistieken

Naam:
Taal:
Sterren:
Vorken:
Licentie:
De opslagplaats is voor het laatst bijgewerkt op

Waarom PdfPig kiezen?

• Nauwkeurigheid: Verwerkt complexe PDF-tekstlay-outs correct
• Prestaties: Sneller dan vergelijkbare .NET-bibliotheken
• Transparantie: Toegang tot ruwe PDF-structuren wanneer nodig
• Actieve ontwikkeling: Regelmatige updates sinds 2018
• Cross-platform: Werkt op .NET Standard 2.0+

Installatie

PdfPig is beschikbaar via NuGet voor eenvoudige integratie:

Install-Package PdfPig

dotnet add package PdfPig

Systeemvereisten: .NET Standard 2.0-compatibele runtime

Codevoorbeelden

Praktische voorbeelden van PdfPig's mogelijkheden:

Voorbeeld 1: Basistekstextractie

Dit voorbeeld laat zien hoe u een PDF-document opent en alle tekstinhoud extraheert terwijl de leesvolgorde behouden blijft. PdfPig biedt toegang tot elke letter met zijn exacte positie in het document.

Uitvoer omvat:

• Ruwe tekstinhoud in leesvolgorde
• Paginanummers voor elk tekstsegment
• Basislettertype-informatie

Voorbeeld 2: Geavanceerde positieanalyse

PdfPig excelleert in het leveren van precieze positiegegevens voor tekstelementen. Dit voorbeeld toont hoe u woorden kunt extraheren met hun begrenzingsvakken.

Voorbeeld 3: Lettertype- en metadata-extractie

Naast tekstinhoud biedt PdfPig toegang tot documentmetadata en gedetailleerde lettertype-informatie.

Geavanceerde functies

PdfPig ondersteunt professionele PDF-analyse:

• Afbeeldingsextractie: Toegang tot ingesloten afbeeldingen:

  Afbeeldingsextractie

  
      using var document = PdfDocument.Open("bestand.pdf");
      foreach (var page in document.GetPages())
      {
          foreach (var image in page.GetImages())
          {
              var bytes = image.RawBytes;
              // Verwerk afbeeldingsdata
          }
      }
      
  

• Bladwijzernavigatie: Toegang tot documentoverzicht:

  Bladwijzers

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

• Versleutelde PDF's: Omgaan met met wachtwoord beschermde bestanden:

  Versleutelde PDF

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

PdfPig vs PdfSharp

5 belangrijke verschillen tussen PdfPig en PDFsharp:

• Primaire functie: PdfPig specialiseert zich in lezen/extractie van tekst en metadata. PDFsharp richt zich op maken/bewerken van PDF's
• Tekst vs graphics: PdfPig extraheert tekst met pixelperfecte precisie. PDFsharp is geoptimaliseerd voor tekenen van tekst/vormen
• Documenttoegang: PdfPig analyseert bestaande PDF's, PDFsharp kan pagina's wijzigen
• Geavanceerde functies: PdfPig onthult lettertypedetails en documentstructuur, PDFsharp ondersteunt PDF/A-standaarden
• Gebruiksscenario's: PdfPig voor data-analyse, PDFsharp voor rapportgeneratie

Conclusie

PdfPig biedt ongeëvenaarde PDF-inhoudstoegang voor .NET-ontwikkelaars. Ideaal voor:

• Data-extractie: Inhoud winnen uit rapporten
• Documentanalyse: PDF-structuur begrijpen
• Toegankelijkheid: PDF-inhoud converteren
• Preprocessing: Voorbereiden voor OCR of ML

Met zijn focus op nauwkeurige extractie en laag geheugengebruik is PdfPig de eerste keuze voor PDF-analyse in .NET.

Vergelijkbare Producten