PDF Extractor

提取文本

使用 Documentize 的 .NET 工具准确提取 PDF 文档中的文本——轻松检索、处理和分析内容。

提取图像

在 .NET 应用程序中轻松从 PDF 文档中提取图像

Extract Properties / Metadata

使用 Documentize 在 C#/.NET 中准确提取 PDF 的元数据

导出表单数据

使用 C#/.NET 从 PDF 表单（AcroForms）中提取并导出数据到 CSV 等其他格式

PDF Extractor 的子部分

提取文本

The Documentize PDF Extractor for .NET 简化了从 PDF 文档中提取文本的过程。无论您需要纯文本、原始文本还是普通文本，此插件都能高效提取文本，并根据需求保留或省略格式。

如何从 PDF 文件提取文本

要从 PDF 文件提取文本，请按照以下步骤操作：

  1. 创建 ExtractTextOptions 实例以配置输入文件路径。
  2. 运行 Extract 方法进行文本提取。
​
1// Create ExtractTextOptions object to set input file path
2var options = new ExtractTextOptions("path_to_your_pdf_file.pdf");
3// Perform the process and get the extracted text
4var textExtracted = PdfExtractor.Extract(options);

如何从 PDF 流提取文本

要从 PDF 流提取文本，请按照以下步骤操作：

  1. 创建 ExtractTextOptions 实例以配置输入流。
  2. 运行 Extract 方法进行文本提取。
​
1// Create ExtractTextOptions object to set input stream
2var stream = File.OpenRead("path_to_your_pdf_file.pdf");
3var options = new ExtractTextOptions(stream);
4// Perform the process and get the extracted text
5var textExtracted = PdfExtractor.Extract(options);

文本提取模式

ExtractTextOptions 提供三种提取模式，满足不同需求的灵活性。

  1. Pure Mode：保留原始格式，包括空格和对齐。
  2. Raw Mode：不保留格式，适用于原始数据处理。
  3. Flatten Mode：使用坐标表示 PDF 内容的文本片段。
​
1// Create ExtractTextOptions object to set input file path and TextFormattingMode
2var options = new ExtractTextOptions("path_to_your_pdf_file.pdf", TextFormattingMode.Pure);
3// Perform the process and get the extracted text
4var textExtracted = PdfExtractor.Extract(options);

最简方式从 PDF 文件提取文本

​
1// Perform the process and get the extracted text
2var textExtracted = PdfExtractor.Extract(new ExtractTextOptions("path_to_your_pdf_file.pdf", TextFormattingMode.Pure));

关键特性：

  • Pure Mode：在保留原始格式的同时提取文本。
  • Raw Mode：提取不含任何格式的文本。
  • Flatten Mode：提取不含特殊字符或格式的文本。

提取图像

The Documentize PDF Extractor for .NET plugin enables you to effortlessly extract images from PDF documents. It scans your PDF files, identifies embedded images, and extracts them while maintaining their original quality and format. This tool enhances the accessibility of visual content and streamlines the process of retrieving images from PDFs.

如何从 PDF 中提取图像

要从 PDF 文件中提取图像，请按照以下步骤操作：

  1. 创建 ExtractImagesOptions 类的实例。
  2. 使用 AddInput 方法将输入文件路径添加到选项中。
  3. 使用 AddOutput 方法设置图像的输出目录路径。
  4. 使用插件执行图像提取过程。
  5. 从结果容器中获取提取的图像。
​
 1// Create ExtractImagesOptions to set instructions
 2var options = new ExtractImagesOptions();
 3// Add input file path
 4options.AddInput(new FileDataSource("path_to_your_pdf_file.pdf"));
 5// Set output Directory path
 6options.AddOutput(new DirectoryDataSource("path_to_results_directory"));
 7// Perform the process
 8var results = PdfExtractor.Extract(options);
 9// Get path to image result
10var imageExtracted = results.ResultCollection[0].ToFile();

将 PDF 文件中的图像提取到流而不使用文件夹

The PdfExtractor plugin supports saving to streams, which allows you to extract images from PDF files into streams without using temporary folders.

​
 1// Create ExtractImagesOptions to set instructions
 2var options = new ExtractImagesOptions();
 3// Add input file path
 4options.AddInput(new FileDataSource("path_to_your_pdf_file.pdf"));
 5// Not set output - it will write results to streams
 6// Perform the process
 7var results = PdfExtractor.Extract(options);
 8// Get Stream
 9var ms = results.ResultCollection[0].ToStream();
10// Copy data to file for demo
11ms.Seek(0, SeekOrigin.Begin);
12using (var fs = File.Create("test_file.png"))
13{
14    ms.CopyTo(fs);
15}

关键特性：

  • 提取嵌入的图像：识别并提取 PDF 文档中的图像。
  • 保留图像质量：确保提取的图像保持原始质量。
  • 灵活的输出：将提取的图像保存为您偏好的格式或位置。

Extract Properties / Metadata

The Documentize PDF Extractor for .NET simplifies extracting Metadata from PDF documents. Available properties that may interest you: FileName, Title, Author, Subject, Keywords, Created, Modified, Application, PDF Producer, Number of Pages.

如何从 PDF 文件中提取元数据

The example demonstrates how to Extract Properties (Title, Author, Subject, Keywords, Number of Pages) from PDF file. To extract metadata from a PDF document, follow these steps:

  1. Create an instance of ExtractPropertiesOptions to configure the extraction options and input PDF file.
  2. Run the Extract method of PdfExtractor to extract the metadata.
  3. Access the extracted properties using the PdfProperties.
​
 1// Create ExtractPropertiesOptions object to set input file
 2var options = new ExtractPropertiesOptions("path_to_your_pdf_file.pdf");
 3// Perform the process and get Properties
 4var pdfProperties = PdfExtractor.Extract(options);
 5var filename = pdfProperties.FileName;
 6var title = pdfProperties.Title;
 7var author = pdfProperties.Author;
 8var subject = pdfProperties.Subject;
 9var keywords = pdfProperties.Keywords;
10var created = pdfProperties.Created;
11var modified = pdfProperties.Modified;
12var application = pdfProperties.Application;
13var pdfProducer = pdfProperties.PdfProducer;
14var numberOfPages = pdfProperties.NumberOfPages;

如何从 PDF 流中提取元数据

You can open the stream at your own discretion.

​
 1// Create ExtractPropertiesOptions object to set input stream
 2var stream = File.OpenRead("path_to_your_pdf_file.pdf");
 3var options = new ExtractPropertiesOptions(stream);
 4// Perform the process and get Properties
 5var pdfProperties = PdfExtractor.Extract(options);
 6var title = pdfProperties.Title;
 7var author = pdfProperties.Author;
 8var subject = pdfProperties.Subject;
 9var keywords = pdfProperties.Keywords;
10var created = pdfProperties.Created;
11var modified = pdfProperties.Modified;
12var application = pdfProperties.Application;
13var pdfProducer = pdfProperties.PdfProducer;
14var numberOfPages = pdfProperties.NumberOfPages;

以最简洁方式从 PDF 文件中提取元数据

​
1// Perform the process and get Properties
2var pdfProperties = PdfExtractor.Extract(new ExtractPropertiesOptions("path_to_your_pdf_file.pdf"));

关键特性：

  • 可用的元数据：FileName、Title、Author、Subject、Keywords、Created、Modified、Application、PDF Producer、Number of Pages.

导出表单数据

The Documentize PDF Extractor for .NET 插件提供了一种无缝的方法，将 PDF 表单（AcroForms）中的数据提取并导出为 CSV 等其他格式。此动态工具简化了检索表单字段值的过程，便于轻松进行数据管理、传输和分析。

如何从 PDF 导出表单数据

要将 PDF 表单数据导出为 CSV，请按照以下步骤操作：

  1. 创建 ExtractImagesOptions 类的实例。
  2. 使用 FormExporterValuesToCsvOptions 类定义导出选项。
  3. 添加输入 PDF 文件并指定输出 CSV 文件。
  4. 运行 Extract 方法执行导出。
​
1// Create ExtractFormDataToDsvOptions object to set instructions
2var options = new ExtractFormDataToDsvOptions(',', true);
3// Add input file path
4options.AddInput(new FileDataSource("path_to_your_pdf_file.pdf"));
5// Set output file path
6options.AddOutput(new FileDataSource("path_to_result_csv_file.csv"));
7// Perform the process
8PdfExtractor.Extract(options);

关键特性：

  • 导出表单数据：将 PDF 表单（AcroForms）中的数据提取为 CSV 或其他格式。
  • 数据过滤：使用谓词根据字段类型或页码等条件过滤特定表单字段进行导出。
  • 灵活的输出：保存导出的数据以供分析，或转移到电子表格、数据库或其他文档格式。
 中文