1. Продукты
  2.   Парсер
  3.   .NET
  4.   PdfPig
 
  

PdfPig: Продвинутое извлечение текста из PDF для .NET

Чтение и анализ PDF-контента без зависимостей - текст, позиции, шрифты и метаданные

Что такое PdfPig?

PdfPig — это библиотека .NET с открытым исходным кодом, предназначенная для извлечения содержимого из PDF-файлов без внешних зависимостей. В отличие от генераторов PDF, PdfPig специализируется на чтении существующих документов для доступа к тексту, информации о шрифтах, позиционным данным и структуре документа. Особенно полезна для анализа данных, обработки контента и документных pipelines.

Ключевые преимущества PdfPig:

  • Нет зависимостей: Чистая реализация на C#
  • Низкоуровневый доступ: Точное позиционирование текста и метрики шрифтов
  • Эффективность памяти: Работа с большими документами с минимальными накладными расходами
  • Готовность к OCR: Извлечение текста с ограничивающими рамками для анализа
  • Лицензия MIT: Бесплатно для коммерческого использования

Идеально подходит для анализа документов, извлечения текста и обработки PDF-контента.

GitHub

Статистика GitHub

Имя:
Язык:
Звезды:
Вилки:
Лицензия:
Репозиторий последний раз обновлялся на

Почему стоит выбрать PdfPig?

  • Точность: Корректная обработка сложных PDF-макетов
  • Производительность: Быстрее аналогичных .NET-библиотек
  • Прозрачность: Доступ к сырым PDF-структурам при необходимости
  • Активная разработка: Регулярные обновления с 2018 года
  • Кросс-платформенность: Работает на .NET Standard 2.0+

Установка

PdfPig доступен через NuGet для простой интеграции:

Package Manager Console


Install-Package PdfPig

.NET CLI


dotnet add package PdfPig

Системные требования: Среда выполнения, совместимая с .NET Standard 2.0

Примеры кода

Практические примеры возможностей PdfPig:

Извлечение PdfPig

Пример 1: Базовое извлечение текста

Этот пример демонстрирует, как открыть PDF-документ и извлечь весь текст с сохранением порядка чтения. PdfPig предоставляет доступ к каждому символу с его точной позицией в документе.

Результат включает:

  • Исходный текст в порядке чтения
  • Номера страниц для каждого текстового сегмента
  • Базовую информацию о шрифтах

Пример 2: Продвинутый позиционный анализ

PdfPig превосходно предоставляет точные позиционные данные для текстовых элементов. Этот пример показывает извлечение слов с их ограничивающими рамками.

Пример 3: Извлечение шрифтов и метаданных

Помимо текстового содержимого, PdfPig предоставляет доступ к метаданным документа и детальной информации о шрифтах.

Продвинутые возможности

PdfPig поддерживает профессиональный PDF-анализ:

  • Извлечение изображений: Доступ к встроенным изображениям:

    Извлечение изображений

    
    using var document = PdfDocument.Open("файл.pdf");
    foreach (var page in document.GetPages())
    {
        foreach (var image in page.GetImages())
        {
            var bytes = image.RawBytes;
            // Обработка данных изображения
        }
    }
  • Навигация по закладкам: Доступ к структуре документа:

    Закладки

    
    var bookmarks = document.GetBookmarks();
    foreach (var bookmark in bookmarks)
    {
        Console.WriteLine($"{bookmark.Title} - Страница {bookmark.PageNumber}");
    }
  • Зашифрованные PDF: Работа с защищенными файлами:

    Зашифрованный PDF

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

PdfPig vs PdfSharp

5 ключевых различий между PdfPig и PDFsharp:

  • Основная функция: PdfPig специализируется на чтении/извлечении текста и метаданных. PDFsharp ориентирован на создание/редактирование PDF
  • Текст vs графика: PdfPig извлекает текст с пиксельной точностью. PDFsharp оптимизирован для рисования текста/форм
  • Доступ к документу: PdfPig анализирует существующие PDF, PDFsharp может изменять страницы
  • Продвинутые функции: PdfPig раскрывает детали шрифтов и структуру, PDFsharp поддерживает стандарты PDF/A
  • Сценарии использования: PdfPig для анализа данных, PDFsharp для генерации отчетов

Заключение

PdfPig предоставляет непревзойденный доступ к PDF-контенту для .NET-разработчиков. Идеально для:

  • Извлечения данных: Анализ содержимого отчетов
  • Анализа документов: Понимание структуры PDF
  • Доступности: Конвертация PDF-контента в другие форматы
  • Предварительной обработки: Подготовка документов для OCR или ML

Благодаря точному извлечению и низкому потреблению памяти, PdfPig — лучший выбор для анализа PDF в .NET.

Похожие Продукты

 Русский