PdfPig: Avansert PDF-tekstuttrekk for .NET

Hva er PdfPig?

PdfPig er et åpen kildekode .NET-bibliotek som fokuserer på å trekke ut innhold fra PDF-filer uten eksterne avhengigheter. I motsetning til PDF-generatorer spesialiserer PdfPig seg på å lese eksisterende dokumenter for å få tilgang til tekst, skriftinformasjon, posisjonsdata og dokumentstruktur. Det er spesielt nyttig for datautvinning, innholdsanalyse og dokumentbehandlingspipelines.

Nøkkelfordeler med PdfPig:

• Ingen avhengigheter: Ren C#-implementering
• Lavnivåtilgang: Presis tekstposisjonering og skriftmålinger
• Minneeffektiv: Håndterer store dokumenter med minimal overhead
• OCR-klar: Trekk ut tekst med avgrensningsbokser for analyse
• MIT-lisens: Gratis for kommersiell bruk

Ideell for dokumentanalyse, tekstuttrekk og PDF-innholdsbehandling.

GitHub-statistikk

Navn:
Språk:
Stjerner:
Gafler:
Tillatelse:
Repository ble sist oppdatert kl

Hvorfor velge PdfPig?

• Nøyaktighet: Håndterer komplekse PDF-tekstlayouter korrekt
• Ytelse: Raskere enn lignende .NET-biblioteker
• Åpenhet: Tilgang til rå PDF-strukturer når nødvendig
• Aktiv utvikling: Regelmessige oppdateringer siden 2018
• Tverrplattform: Fungerer på .NET Standard 2.0+

Installasjon

PdfPig er tilgjengelig via NuGet for enkel integrasjon:

Install-Package PdfPig

dotnet add package PdfPig

Systemkrav: .NET Standard 2.0-kompatibel runtime

Kodeeksempler

Praktiske eksempler på PdfPigs funksjonalitet:

Eksempel 1: Grunnleggende tekstuttrekk

Dette eksemplet viser hvordan du åpner et PDF-dokument og trekker ut all tekstinnhold mens leserekkefølgen bevares. PdfPig gir tilgang til hver enkelt bokstav med dens eksakte posisjon i dokumentet.

Utdata inkluderer:

• Rå tekstinnhold i leserekkefølge
• Sidenumre for hvert tekstsegment
• Grunnleggende skriftinformasjon

Eksempel 2: Avansert posisjonsanalyse

PdfPig utmerker seg på å gi presise posisjonsdata for tekstelementer. Dette eksemplet viser hvordan du trekker ut ord med deres avgrensningsbokser.

Eksempel 3: Skrift- og metadatauttrekk

Utover tekstinnhold gir PdfPig tilgang til dokumentmetadata og detaljert skriftinformasjon.

Avanserte funksjoner

PdfPig støtter profesjonell PDF-analyse:

• Bildeuttrekk: Tilgang til innebygde bilder:

  Bildeuttrekk

  
      using var document = PdfDocument.Open("fil.pdf");
      foreach (var page in document.GetPages())
      {
          foreach (var image in page.GetImages())
          {
              var bytes = image.RawBytes;
              // Behandle bildedata
          }
      }
      
  

• Bokmerkenavigasjon: Tilgang til dokumentoversikt:

  Bokmerker

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

• Krypterte PDF-er: Håndter passordbeskyttede filer:

  Kryptert PDF

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

PdfPig vs PdfSharp

5 viktige forskjeller mellom PdfPig og PDFsharp:

• Primærfunksjon: PdfPig spesialiserer seg på lesing/uttrekk av tekst og metadata. PDFsharp fokuserer på å opprette/redigere PDF-dokumenter
• Tekst vs grafikk: PdfPig trekker ut tekst med pikselperfekt presisjon. PDFsharp er optimalisert for tegning av tekst/former
• Dokumenttilgang: PdfPig analyserer eksisterende PDF-er, PDFsharp kan endre sider
• Avanserte funksjoner: PdfPig avslører skriftdetaljer og dokumentstruktur, PDFsharp støtter PDF/A-standarder
• Bruksscenarier: PdfPig for dataanalyse, PDFsharp for rapportgenerering

Konklusjon

PdfPig gir enestående PDF-innholdstilgang for .NET-utviklere. Ideell for:

• Datauttrekk: Utvinne innhold fra rapporter
• Dokumentanalyse: Forstå PDF-struktur
• Tilgjengelighet: Konvertere PDF-innhold
• Forbehandling: Forberede for OCR eller ML

Med sitt fokus på nøyaktig uttrekk og lavt minneforbruk er PdfPig det foretrukne valget for PDF-analyse i .NET.

Lignende Produkter