PdfPig: Zaawansowana ekstrakcja tekstu PDF dla .NET

Co to jest PdfPig?

PdfPig to otwartoźródłowa biblioteka .NET skupiająca się na ekstrakcji zawartości z plików PDF bez konieczności używania natywnych zależności. W przeciwieństwie do generatorów PDF, PdfPig specjalizuje się w czytaniu istniejących dokumentów w celu uzyskania dostępu do tekstu, informacji o czcionkach, danych pozycyjnych i struktury dokumentu. Jest szczególnie przydatny do wydobywania danych, analizy zawartości i przetwarzania dokumentów.

Kluczowe zalety PdfPig:

• Brak zależności: Czysta implementacja w C#
• Niskopoziomowy dostęp: Precyzyjne pozycjonowanie tekstu i metryki czcionek
• Wydajność pamięciowa: Obsługa dużych dokumentów z minimalnym obciążeniem
• Gotowość na OCR: Ekstrakcja tekstu z ramkami ograniczającymi do analizy
• Licencja MIT: Darmowy do użytku komercyjnego

Idealny do analizy dokumentów, ekstrakcji tekstu i przetwarzania zawartości PDF.

Statystyki GitHuba

Nazwa:
Język:
Gwiazdy:
Widły:
Licencja:
Repozytorium zostało ostatnio zaktualizowane o godzinie

Dlaczego wybrać PdfPig?

• Dokładność: Poprawnie obsługuje złożone układy tekstu PDF
• Wydajność: Szybszy niż podobne biblioteki .NET
• Przejrzystość: Dostęp do surowych struktur PDF w razie potrzeby
• Aktywny rozwój: Regularne aktualizacje od 2018 roku
• Wieloplatformowość: Działa na .NET Standard 2.0+

Instalacja

PdfPig jest dostępny przez NuGet dla łatwej integracji:

Install-Package PdfPig

dotnet add package PdfPig

Wymagania systemowe: Środowisko uruchomieniowe zgodne z .NET Standard 2.0

Przykłady kodu

Praktyczne przykłady możliwości PdfPig:

Przykład 1: Podstawowa ekstrakcja tekstu

Ten przykład pokazuje, jak otworzyć dokument PDF i wyodrębnić całą zawartość tekstową zachowując kolejność czytania. PdfPig zapewnia dostęp do każdej litery z jej dokładną pozycją w dokumencie.

Wynik zawiera:

• Surowe dane tekstowe w kolejności czytania
• Numery stron dla każdego segmentu tekstu
• Podstawowe informacje o czcionce

Przykład 2: Zaawansowana analiza pozycyjna

PdfPig wyróżnia się dostarczaniem precyzyjnych danych pozycyjnych dla elementów tekstowych. Ten przykład pokazuje, jak wyodrębnić słowa z ich ramkami ograniczającymi.

Przykład 3: Ekstrakcja czcionek i metadanych

Poza zawartością tekstową, PdfPig zapewnia dostęp do metadanych dokumentu i szczegółowych informacji o czcionkach.

Zaawansowane funkcje

PdfPig obsługuje profesjonalną analizę PDF:

• Ekstrakcja obrazów: Dostęp do osadzonych obrazów:

  Ekstrakcja obrazów

  
      using var document = PdfDocument.Open("plik.pdf");
      foreach (var page in document.GetPages())
      {
          foreach (var image in page.GetImages())
          {
              var bytes = image.RawBytes;
              // Przetwarzanie danych obrazu
          }
      }
      
  

• Nawigacja po zakładkach: Dostęp do konspektu dokumentu:

  Zakładki

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

• Zaszyfrowane PDF-y: Obsługa plików chronionych hasłem:

  Zaszyfrowany PDF

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

PdfPig vs PdfSharp

5 kluczowych różnic między PdfPig a PDFsharp:

• Główna funkcja: PdfPig specjalizuje się w czytaniu/ekstrakcji tekstu i metadanych. PDFsharp skupia się na tworzeniu/edycji dokumentów PDF
• Tekst vs grafika: PdfPig wyodrębnia tekst z dokładnością do piksela. PDFsharp jest zoptymalizowany do rysowania tekstu/kształtów
• Dostęp do dokumentu: PdfPig analizuje istniejące PDF-y, PDFsharp może modyfikować strony
• Zaawansowane funkcje: PdfPig ujawnia szczegóły czcionek i strukturę dokumentu, PDFsharp obsługuje standardy PDF/A
• Zastosowania: PdfPig do wydobywania danych, PDFsharp do generowania raportów

Podsumowanie

PdfPig zapewnia bezkonkurencyjny dostęp do zawartości PDF dla programistów .NET. Idealny do:

• Ekstrakcji danych: Wydobywanie zawartości z raportów
• Analizy dokumentów: Zrozumienie struktury PDF
• Dostępności: Konwersja zawartości PDF do innych formatów
• Przetwarzania wstępnego: Przygotowanie dokumentów do OCR lub ML

Dzięki skupieniu na dokładnej ekstrakcji i niskim zużyciu pamięci, PdfPig jest najlepszym wyborem do analizy PDF w .NET.

Podobne Produkty