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

PdfPig: Розширений витяг тексту з PDF для .NET

Читайте та аналізуйте вміст PDF без залежностей - текст, позиції, шрифти та метадані

Що таке PdfPig?

PdfPig - це бібліотека .NET з відкритим кодом, яка спеціалізується на витягуванні вмісту з PDF-файлів без зовнішніх залежностей. На відміну від генераторів PDF, PdfPig призначений для читання існуючих документів для доступу до тексту, інформації про шрифти, позиційних даних і структури документа. Особливо корисний для видобутку даних, аналізу вмісту та обробки документів.

Ключові переваги PdfPig:

  • Відсутність залежностей: Чиста реалізація на C#
  • Низькорівневий доступ: Точне позиціонування тексту та метрики шрифтів
  • Ефективне використання пам'яті: Робота з великими документами з мінімальними накладними витратами
  • Готовність до OCR: Витяг тексту з обмежувальними рамками для аналізу
  • Ліцензія MIT: Безкоштовно для комерційного використання

Ідеально підходить для аналізу документів, витягу тексту та обробки вмісту PDF.

GitHub

Статистика GitHub

Ім'я:
Мова:
зірки:
Вилки:
Ліцензія:
Репозиторій востаннє оновлено о

Чому варто обрати PdfPig?

  • Точність: Коректна обробка складних макетів PDF-тексту
  • Продуктивність: Швидший за аналогічні бібліотеки .NET
  • Прозорість: Доступ до необроблених структур PDF за потреби
  • Активний розвиток: Регулярні оновлення з 2018 року
  • Крос-платформенність: Працює на .NET Standard 2.0+

Встановлення

PdfPig доступний через NuGet для простої інтеграції:

Package Manager Console


Install-Package PdfPig

.NET CLI


dotnet add package PdfPig

Системні вимоги: Середовище виконання, сумісне з .NET Standard 2.0

Приклади коду

Практичні приклади можливостей PdfPig:

Витяг PdfPig

Приклад 1: Базовий витяг тексту

Цей приклад демонструє, як відкрити PDF-документ і витягнути весь текстовий вміст зі збереженням порядку читання. PdfPig надає доступ до кожного символу з його точною позицією в документі.

Результат містить:

  • Необроблений текст у порядку читання
  • Номери сторінок для кожного текстового сегменту
  • Базову інформацію про шрифти

Приклад 2: Розширений позиційний аналіз

PdfPig відмінно надає точні позиційні дані для текстових елементів. Цей приклад показує, як витягувати слова з їх обмежувальними рамками.

Приклад 3: Витяг шрифтів та метаданих

Окрім текстового вмісту, PdfPig надає доступ до метаданих документа та детальної інформації про шрифти.

Розширені можливості

PdfPig підтримує професійний аналіз PDF:

  • Витяг зображень: Доступ до вбудованих зображень:

    Витяг зображень

    
    using var document = PdfDocument.Open("файл.pdf");
    foreach (var page in document.GetPages())
    {
        foreach (var image in page.GetImages())
        {
            var bytes = image.RawBytes;
            // Обробка даних зображення
        }
    }
  • Навігація за закладками: Доступ до структури документа:

    Закладки

    
    var bookmarks = document.GetBookmarks();
    foreach (var bookmark in bookmarks)
    {
        Console.WriteLine($"{bookmark.Title} - Сторінка {bookmark.PageNumber}");
    }
  • Зашифровані PDF: Робота з захищеними паролем файлами:

    Зашифрований PDF

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

PdfPig vs PdfSharp

5 ключових відмінностей між PdfPig та PDFsharp:

  • Основна функція: PdfPig спеціалізується на читанні/витягу тексту та метаданих. PDFsharp орієнтований на створення/редагування PDF
  • Текст vs графіка: PdfPig витягує текст з піксельною точністю. PDFsharp оптимізований для малювання тексту/фігур
  • Доступ до документів: PdfPig аналізує існуючі PDF, PDFsharp може змінювати сторінки
  • Розширені функції: PdfPig розкриває деталі шрифтів і структуру, PDFsharp підтримує стандарти PDF/A
  • Сценарії використання: PdfPig для видобутку даних, PDFsharp для генерації звітів

Висновок

PdfPig надає безпрецедентний доступ до вмісту PDF для .NET-розробників. Ідеальний для:

  • Видобутку даних: Аналіз вмісту звітів
  • Аналізу документів: Розуміння структури PDF
  • Доступності: Конвертація PDF-вмісту в інші формати
  • Попередньої обробки: Підготовка документів для OCR чи ML

Завдяки точному витягуванню та низькому споживанню пам'яті, PdfPig - найкращий вибір для аналізу PDF у .NET.

Подібні Продукти

 Ukrainian