PDF Datenextraktion .NET: Vollständiges Entwicklerhandbuch

Wie fange ich mit IronPDF an?

Die Installation von IronPDF dauert Sekunden über den NuGet-Paket-Manager. Öffnen Sie Ihre Package Manager Console und führen Sie aus:

Install-Package IronPDF

Install-Package IronPDF

Für komplexere Installationsszenarien konsultieren Sie bitte die Dokumentation der NuGet-Pakete . Sobald installiert, können Sie sofort mit der Verarbeitung von Eingabe-PDF-Dokumenten beginnen. Hier ist ein minimales .NET-Beispiel, das die Einfachheit der IronPDF-API demonstriert:

using IronPdf;
// Load any PDF document
var pdf = PdfDocument.FromFile("document.pdf");
// Extract all text with one line
string allText = pdf.ExtractAllText();
Console.WriteLine(allText);

using IronPdf;
// Load any PDF document
var pdf = PdfDocument.FromFile("document.pdf");
// Extract all text with one line
string allText = pdf.ExtractAllText();
Console.WriteLine(allText);

Dieser Code lädt eine PDF-Datei und extrahiert jeden einzelnen Text. IronPDF handhabt automatisch komplexe PDF-Strukturen, Formulardaten und Kodierungen, die normalerweise bei anderen Bibliotheken Probleme verursachen. Die extrahierten Daten aus PDF-Dokumenten können in einer Textdatei gespeichert oder weiter zur Analyse verarbeitet werden. Für komplexere Extraktionsanforderungen sollten Sie spezielle Dokumentenverarbeitungstechniken in Betracht ziehen.

Praktischer Tipp: Sie können den extrahierten Text in einer .txt-Datei speichern, um ihn später weiterzuverarbeiten, oder ihn parsen, um Datenbanken, Excel-Tabellen oder Wissensdatenbanken zu füllen. Diese Methode eignet sich gut für Berichte, Verträge oder beliebige PDF-Dateien, bei denen Sie den Rohtext schnell benötigen. Bei Szenarien mit Tabellen sollten Sie sich mit dem Lesen von Tabellen in Dokumenten vertraut machen, um strukturiertere Daten zu extrahieren.

Wie kann ich Daten von bestimmten Seiten extrahieren?

Anwendungen aus der realen Welt erfordern oft präzise Datenextraktion. IronPDF bietet mehrere Methoden, um wertvolle Informationen von bestimmten Seiten innerhalb eines PDFs zu extrahieren. Dieser Ansatz ähnelt der regionsspezifischen OCR-Extraktion , jedoch für PDFs. Für dieses Beispiel verwenden wir das folgende PDF:

PDF-Viewer mit einem Jahresbericht 2024, der eine Rechnungsübersichtstabelle mit Rechnungsnummern, Daten und Beträgen sowie Abschnitte zur Abteilungsleistung und Finanzübersicht enthält.

Der folgende Code extrahiert Daten von bestimmten Seiten innerhalb dieser PDF-Datei und gibt die Ergebnisse in unserer Konsole aus. Bei der Bearbeitung mehrseitiger Dokumente könnten sich auch Techniken zur Verarbeitung mehrseitiger TIFF-Dateien für ähnliche Herausforderungen als nützlich erweisen.

using IronPdf;
using System;
using System.Text.RegularExpressions;
// Load any PDF document
var pdf = PdfDocument.FromFile("AnnualReport2024.pdf");
// Extract from selected pages
int[] pagesToExtract = { 0, 2, 4 }; // Pages 1, 3, and 5
foreach (var pageIndex in pagesToExtract)
{
    string pageText = pdf.ExtractTextFromPage(pageIndex);
    // Split on 2 or more spaces (tables often flatten into space-separated values)
    var tokens = Regex.Split(pageText, @"\s{2,}");
    foreach (string token in tokens)
    {
        // Match totals, invoice headers, and invoice rows
        if (token.Contains("Invoice") || token.Contains("Total") || token.StartsWith("INV-"))
        {
            Console.WriteLine($"Important: {token.Trim()}");
        }
    }
}

using IronPdf;
using System;
using System.Text.RegularExpressions;
// Load any PDF document
var pdf = PdfDocument.FromFile("AnnualReport2024.pdf");
// Extract from selected pages
int[] pagesToExtract = { 0, 2, 4 }; // Pages 1, 3, and 5
foreach (var pageIndex in pagesToExtract)
{
    string pageText = pdf.ExtractTextFromPage(pageIndex);
    // Split on 2 or more spaces (tables often flatten into space-separated values)
    var tokens = Regex.Split(pageText, @"\s{2,}");
    foreach (string token in tokens)
    {
        // Match totals, invoice headers, and invoice rows
        if (token.Contains("Invoice") || token.Contains("Total") || token.StartsWith("INV-"))
        {
            Console.WriteLine($"Important: {token.Trim()}");
        }
    }
}

Dieses Beispiel zeigt, wie man Text aus PDF-Dokumenten extrahiert, nach Schlüsselinformationen sucht und es auf die Speicherung in Datendateien oder eine Wissensdatenbank vorbereitet. Die Methode ExtractTextFromPage() behält die Lesereihenfolge des Dokuments bei und eignet sich daher perfekt für die Dokumentenanalyse und die Indexierung von Inhalten. Zur Verbesserung der Genauigkeit sollten Sie bei der Arbeit mit PDFs geringerer Qualität Bildoptimierungsfilter verwenden.

Die Microsoft Visual Studio-Debugkonsole zeigt extrahierte Rechnungsdaten mit Rechnungsübersicht, Datum, Beträgen und dem Endbetrag von 2.230,00 $ an.

Bei der Bearbeitung von Finanzdokumenten kann Ihnen das Financial Language Pack helfen, die Genauigkeit bei der Verwendung von Fachterminologie zu verbessern. Darüber hinaus kann die Fortschrittsverfolgung dazu beitragen, die Extraktionsleistung bei großen Dokumentenstapeln zu überwachen.

Wie extrahiere ich Tabellen aus PDFs?

Tabellen in PDF-Dateien haben keine native Struktur – es handelt sich lediglich um Textinhalte, die so positioniert sind, dass sie wie Tabellen aussehen. IronPDF extrahiert tabellarische Daten unter Wahrung der Layouts, sodass Sie diese in Excel- oder Textdateien verarbeiten können. Dies ist ähnlich wie die OCR-Zeichenerkennung , jedoch speziell für tabellarische Inhalte optimiert. Für dieses Beispiel verwenden wir diese PDF-Datei:

Beispielrechnung mit strukturierten Daten, Kundendetails, aufgeschlüsselten Produkten und einem Gesamtbetrag von 180,00 $

Unser Ziel ist es, die Daten aus der Tabelle selbst zu extrahieren und so die Fähigkeit von IronPDF zu demonstrieren, tabellarische Daten zu parsen. Für komplexere Szenarien der Tabellenextraktion empfiehlt sich das Lesen von Tabellen in Dokumenten , das maschinelles Lernen für komplexe Tabellenstrukturen nutzt.

using IronPdf;
using System;
using System.Text;
using System.Text.RegularExpressions;
var pdf = PdfDocument.FromFile("example.pdf");
string rawText = pdf.ExtractAllText();
// Split into lines for processing
string[] lines = rawText.Split('\n');
var csvBuilder = new StringBuilder();
foreach (string line in lines)
{
    if (string.IsNullOrWhiteSpace(line) || line.Contains("Page"))
        continue;
    string[] rawCells = Regex.Split(line.Trim(), @"\s+");
    string[] cells;
    // If the line starts with "Product", combine first two tokens as product name
    if (rawCells[0].StartsWith("Product") && rawCells.Length >= 5)
    {
        cells = new string[rawCells.Length - 1];
        cells[0] = rawCells[0] + " " + rawCells[1]; // Combine Product + letter
        Array.Copy(rawCells, 2, cells, 1, rawCells.Length - 2);
    }
    else
    {
        cells = rawCells;
    }
    // Keep header or table rows
    bool isTableOrHeader = cells.Length >= 2
                           && (cells[0].StartsWith("Item") || cells[0].StartsWith("Product")
                               || Regex.IsMatch(cells[0], @"^INV-\d+"));
    if (isTableOrHeader)
    {
        Console.WriteLine($"Row: {string.Join("|", cells)}");
        string csvRow = string.Join(",", cells).Trim();
        csvBuilder.AppendLine(csvRow);
    }
}
// Save as CSV for Excel import
File.WriteAllText("extracted_table.csv", csvBuilder.ToString());
Console.WriteLine("Table data exported to CSV");

using IronPdf;
using System;
using System.Text;
using System.Text.RegularExpressions;
var pdf = PdfDocument.FromFile("example.pdf");
string rawText = pdf.ExtractAllText();
// Split into lines for processing
string[] lines = rawText.Split('\n');
var csvBuilder = new StringBuilder();
foreach (string line in lines)
{
    if (string.IsNullOrWhiteSpace(line) || line.Contains("Page"))
        continue;
    string[] rawCells = Regex.Split(line.Trim(), @"\s+");
    string[] cells;
    // If the line starts with "Product", combine first two tokens as product name
    if (rawCells[0].StartsWith("Product") && rawCells.Length >= 5)
    {
        cells = new string[rawCells.Length - 1];
        cells[0] = rawCells[0] + " " + rawCells[1]; // Combine Product + letter
        Array.Copy(rawCells, 2, cells, 1, rawCells.Length - 2);
    }
    else
    {
        cells = rawCells;
    }
    // Keep header or table rows
    bool isTableOrHeader = cells.Length >= 2
                           && (cells[0].StartsWith("Item") || cells[0].StartsWith("Product")
                               || Regex.IsMatch(cells[0], @"^INV-\d+"));
    if (isTableOrHeader)
    {
        Console.WriteLine($"Row: {string.Join("|", cells)}");
        string csvRow = string.Join(",", cells).Trim();
        csvBuilder.AppendLine(csvRow);
    }
}
// Save as CSV for Excel import
File.WriteAllText("extracted_table.csv", csvBuilder.ToString());
Console.WriteLine("Table data exported to CSV");

Tabellen in PDFs sind normalerweise nur Text, der so positioniert ist, dass er wie ein Raster aussieht. Diese Überprüfung hilft zu bestimmen, ob eine Zeile zu einer Tabellenzeile oder einem -header gehört. Durch das Herausfiltern von Kopf- und Fußzeilen sowie nicht zusammengehörigem Text können Sie saubere Tabellendaten aus einer PDF-Datei extrahieren, die für die Konvertierung in CSV- oder Excel-Dateien geeignet sind. Für die Verarbeitung von Belegen und Rechnungen mit komplexem Layout empfehlen wir die AdvancedScan-Erweiterung .

Dieser Workflow funktioniert für PDF-Formulare, Finanzdokumente und Berichte. Sie können die Daten aus den PDFs später in xlsx-Dateien umwandeln oder sie in eine Zip-Datei zusammenführen, die alle nützlichen Daten enthält. Für komplexe Tabellen mit zusammengeführten Zellen müssen Sie möglicherweise die Parsing-Logik basierend auf den Spaltenpositionen anpassen. Die Dokumentation zur Datenausgabe enthält detaillierte Anleitungen zum Umgang mit strukturierten Ergebnissen.

! Excel-Tabelle mit Produktinventar und Spalten für Artikel, Menge, Preis und berechnete Gesamtwerte

Zur Verbesserung der Genauigkeit bei der Tabellenextraktion sollten Sie Computer-Vision-Verfahren einsetzen, um Tabellenbereiche vor der Verarbeitung automatisch zu erkennen. Dieser Ansatz kann die Ergebnisse bei komplexen Layouts deutlich verbessern.

Wie extrahiere ich Formularfelddaten?

IronPDF übernimmt auch das Extrahieren und Ändern von Formularfelddaten, ähnlich wie beim Lesen von Reisepässen für strukturierte Dokumente:

using IronPdf;
using System.Drawing;
using System.Linq;
var pdf = PdfDocument.FromFile("form_document.pdf");
// Extract form field data
var form = pdf.Form;
foreach (var field in form) // Removed '.Fields' as 'FormFieldCollection' is enumerable
{
    Console.WriteLine($"{field.Name}: {field.Value}");
    // Update form values if needed
    if (field.Name == "customer_name")
    {
        field.Value = "Updated Value";
    }
}
// Save modified form
pdf.SaveAs("updated_form.pdf");

using IronPdf;
using System.Drawing;
using System.Linq;
var pdf = PdfDocument.FromFile("form_document.pdf");
// Extract form field data
var form = pdf.Form;
foreach (var field in form) // Removed '.Fields' as 'FormFieldCollection' is enumerable
{
    Console.WriteLine($"{field.Name}: {field.Value}");
    // Update form values if needed
    if (field.Name == "customer_name")
    {
        field.Value = "Updated Value";
    }
}
// Save modified form
pdf.SaveAs("updated_form.pdf");

Dieser Code extrahiert Formularfeldwerte aus PDFs und ermöglicht deren programmatische Aktualisierung. Dadurch wird die Verarbeitung von PDF-Formularen vereinfacht und es können bestimmte Informationsbereiche für Analysen oder die Berichtserstellung extrahiert werden. Dies ist nützlich zur Automatisierung von Arbeitsabläufen wie Kundeneinführung, Umfrageverarbeitung oder Datenvalidierung. Für die Verarbeitung von Ausweisdokumenten sollten Sie die Best Practices der OCR-Texterkennung für Ausweisdokumente erkunden.

Direkter Vergleich zweier PDF-Formulare mit den Ergebnissen der Datenextraktion – Originalformular links mit den Daten von "John Doe", aktualisiertes Formular rechts mit dem aktualisierten Wert, der die erfolgreiche Datenextraktion und -änderung zeigt.

Bei Formularen mit Kontrollkästchen und Optionsfeldern kann es erforderlich sein, für spezielle Feldtypen eine benutzerdefinierte Logik ähnlich der Barcode- und QR-Code-Erkennung zu implementieren. Die Dokumentation der OcrResult-Klasse enthält detaillierte Informationen zur Verarbeitung verschiedener Ergebnistypen.

Was soll ich als Nächstes tun?

IronPDF macht die Datenextraktion aus PDFs in .NET praktisch und effizient. Sie können Bilder, Text, Tabellen, Formularfelder und sogar Anhänge aus einer Vielzahl von PDF-Dokumenten extrahieren, einschließlich gescannter PDFs, die normalerweise zusätzliche OCR-Verarbeitung erfordern. Für gescannte Dokumente bietet die Kombination von IronPDF mit IronOCR umfassende Möglichkeiten zur Dokumentenverarbeitung.

Egal ob Sie eine Wissensdatenbank aufbauen, Berichtsprozesse automatisieren oder Daten aus Finanz-PDFs extrahieren möchten – diese Bibliothek bietet Ihnen die Werkzeuge, um dies ohne manuelles Kopieren oder fehleranfälliges Parsen zu erledigen. Es ist einfach, schnell und lässt sich direkt in Visual Studio-Projekte integrieren. Für den Einsatz unterstützt IronPDF verschiedene Plattformen, darunter Windows , Linux , Docker und Cloud-Plattformen wie AWS und Azure .

Probieren Sie es aus – Sie sparen damit wahrscheinlich Zeit und vermeiden die üblichen Probleme bei der Arbeit mit PDFs. Für Startups und kleine Teams bieten die Lizenzoptionen flexible Tarife, die mit Ihren Bedürfnissen mitwachsen. Sie können auch die Implementierung von Lizenzschlüsseln für Produktionsumgebungen untersuchen.

Bereit, PDF-Datenextraktion in Ihre Anwendungen zu integrieren? Klingt IronPDF nach der .NET-Bibliothek für Sie? Starten Sie Ihre kostenlose Testversion, um den vollen Funktionsumfang zu nutzen, oder erkunden Sie unsere Lizenzoptionen für die kommerzielle Nutzung. Besuchen Sie unsere Dokumentation für umfassende Anleitungen und API-Referenzen. Für eine schnelle Umsetzung sehen Sie sich unsere Demos und Codebeispiele an, um in wenigen Minuten loszulegen.