PdfPig: Extração Avançada de Texto PDF para .NET

O que é PdfPig?

PdfPig é uma biblioteca .NET de código aberto focada na extração de conteúdo de arquivos PDF sem dependências nativas. Diferente de geradores PDF, o PdfPig é especializado em ler documentos existentes para acessar texto, informações de fontes, dados posicionais e estrutura do documento. É especialmente valioso para mineração de dados, análise de conteúdo e pipelines de processamento de documentos.

Vantagens principais do PdfPig:

• Zero dependências: Implementação pura em C#
• Acesso de baixo nível: Posicionamento preciso de texto e métricas de fontes
• Eficiente em memória: Lida com documentos grandes com overhead mínimo
• Pronto para OCR: Extrai texto com bounding boxes para análise
• Licença MIT: Gratuito para uso comercial

Ideal para análise de documentos, extração de texto e processamento de conteúdo PDF.

Estatísticas do GitHub

Nome:
Linguagem:
Estrelas:
Garfos:
Licença:
O repositório foi atualizado pela última vez em

Por que escolher PdfPig?

• Precisão: Lida corretamente com layouts complexos de texto PDF
• Desempenho: Mais rápido que bibliotecas .NET similares
• Transparência: Acesso a estruturas PDF brutas quando necessário
• Desenvolvimento ativo: Atualizações regulares desde 2018
• Multiplataforma: Funciona em .NET Standard 2.0+

Instalação

PdfPig está disponível via NuGet para fácil integração:

Install-Package PdfPig

dotnet add package PdfPig

Requisitos do sistema: Runtime compatível com .NET Standard 2.0

Exemplos de Código

Exemplos práticos das capacidades do PdfPig:

Exemplo 1: Extração Básica de Texto

Este exemplo demonstra como abrir um documento PDF e extrair todo o conteúdo textual preservando a ordem de leitura. PdfPig fornece acesso a cada letra com sua posição exata no documento.

Saída inclui:

• Conteúdo de texto bruto na ordem de leitura
• Números de página para cada segmento de texto
• Informações básicas de fontes

Exemplo 2: Análise Posicional Avançada

PdfPig excel em fornecer dados posicionais precisos para elementos de texto. Este exemplo mostra como extrair palavras com suas bounding boxes.

Exemplo 3: Extração de Fontes e Metadados

Além do conteúdo textual, PdfPig fornece acesso a metadados do documento e informações detalhadas sobre fontes.

Recursos Avançados

PdfPig suporta análise profissional de PDF:

• Extração de imagens: Acesse imagens incorporadas:

  Extração de Imagens

  
      using var document = PdfDocument.Open("arquivo.pdf");
      foreach (var page in document.GetPages())
      {
          foreach (var image in page.GetImages())
          {
              var bytes = image.RawBytes;
              // Processar dados da imagem
          }
      }
      
  

• Navegação por bookmarks: Acesse o sumário do documento:

  Bookmarks

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

• PDFs criptografados: Lide com arquivos protegidos por senha:

  PDF Criptografado

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

PdfPig vs PdfSharp

5 diferenças principais entre PdfPig e PDFsharp:

• Função principal: PdfPig especializa-se em leitura/extração de texto e metadados. PDFsharp foca em criar/editar documentos PDF
• Texto vs gráficos: PdfPig extrai texto com precisão pixel-perfect. PDFsharp é otimizado para desenhar texto/formas
• Acesso a documentos: PdfPig analisa PDFs existentes, PDFsharp pode modificar páginas
• Recursos avançados: PdfPig revela detalhes de fontes e estrutura do documento, PDFsharp suporta padrões PDF/A
• Casos de uso: PdfPig para mineração de dados, PDFsharp para geração de relatórios

Conclusão

PdfPig oferece acesso incomparável a conteúdo PDF para desenvolvedores .NET. Ideal para:

• Extração de dados: Mineração de conteúdo de relatórios
• Análise de documentos: Compreensão da estrutura PDF
• Acessibilidade: Conversão de conteúdo PDF para outros formatos
• Pré-processamento: Preparação de documentos para OCR ou ML

Com seu foco em extração precisa e baixo uso de memória, PdfPig é a escolha definitiva para análise PDF em .NET.

Produtos Similares