PDF データ抽出 .NET：完全開発者ガイド

IronPDF を使い始めるにはどうすればいいですか?

IronPDFのインストールは、NuGetパッケージマネージャーを介して数秒で完了します。 パッケージマネージャーコンソールを開いて、以下を実行します：

Install-Package IronPDF

Install-Package IronPDF

より高度なインストール シナリオについては、 NuGet パッケージのドキュメントを参照してください。 インストールが完了すると、すぐに入力PDFドキュメントの処理を開始できます。 IronPDFのAPIのシンプルさを示す最小限の .NET例です。

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);

このコードはPDFを読み込み、テキストをすべて抽出します。 IronPDFは、他のライブラリで一般的に問題を引き起こす複雑なPDF構造、フォームデータ、およびエンコーディングを自動的に処理します。 PDFドキュメントから抽出されたデータは、テキストファイルに保存するか、さらに分析のために処理できます。 より複雑な抽出ニーズの場合は、特殊なドキュメント処理手法を検討する必要があるかもしれません。

実用的なヒント：抽出したテキストは、後で処理するために.txtファイルに保存したり、データベース、Excelシート、またはナレッジベースに入力するために解析することができます。 この方法は、レポート、契約書、または生のテキストをすぐに必要とするあらゆる PDF に適しています。 テーブルが関係するシナリオでは、より構造化されたデータ抽出のためにドキュメント内のテーブルの読み取りについて学習することを検討してください。

特定のページからデータを抽出するにはどうすればよいですか?

実世界のアプリケーションでは、正確なデータ抽出が必要です。 IronPDFは、PDF内の特定のページから貴重な情報をターゲットにする複数の方法を提供します。 このアプローチは、 OCR 領域固有の抽出に似ていますが、PDF 用です。 この例では、次のPDFを使用します。

! 請求書番号、日付、金額を含む請求書概要表と、部門の業績および財務概要セクションを含む2024年度年次報告書を表示するPDFビューア

次のコードは、この PDF 内の特定のページからデータを抽出し、結果をコンソールに返します。 複数ページのドキュメントを扱う場合、同様の課題に対して複数ページの TIFF 処理テクニックも役立つことがあります。

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()}");
        }
    }
}

この例は、PDFドキュメントからテキストを抽出し、キー情報を検索し、データファイルや知識ベースへの保存の準備をする方法を示しています。 ExtractTextFromPage()メソッドはドキュメントの読み順を維持するので、ドキュメント分析やコンテンツのインデックス作成作業に最適です。 精度を高めるには、品質の低い PDF を扱うときに画像最適化フィルターの使用を検討してください。

! Microsoft Visual Studio デバッグ コンソールに、抽出された請求書データと請求書の概要、日付、金額、最終合計 2,230.00 ドルが表示されています。

財務文書を処理する場合、専門用語の精度を向上させるために財務言語パックが役立つ場合があります。 さらに、進捗状況の追跡は、大規模なドキュメント バッチの抽出パフォーマンスを監視するのに役立ちます。

PDF から表を抽出するにはどうすればいいですか?

PDF ファイル内の表にはネイティブ構造がなく、単に表のように見えるように配置されたテキスト コンテンツです。 IronPDFはレイアウトを維持しながら表データを抽出し、Excelまたはテキストファイルに加工できます。 これはOCR 描画抽出に似ていますが、表形式のコンテンツに特化して最適化されています。 この例では、次の PDF を使用します。

! 顧客の詳細、明細化された製品、合計金額 180.00 ドルを含む構造化データを示す請求書のサンプル

私たちのゴールは、IronPDFの表形式データ解析能力を実証しながら、表そのものからデータを抽出することです。 より高度なテーブル抽出シナリオについては、複雑なテーブル構造に機械学習を使用するドキュメント内のテーブルの読み取りを参照してください。

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");

PDF内の表は、通常、グリッドのように見えるように配置されたテキストに過ぎません。 この確認は、行が表の行またはヘッダーに属しているかどうかを判断するのに役立ちます。 ヘッダー、フッター、関連のないテキストを除外することで、PDF からクリーンな表形式のデータを抽出し、CSV または Excel に出力できるようになります。 複雑なレイアウトの領収書や請求書を処理するには、 AdvancedScan Extensionをご覧ください。

このワークフローは、PDFフォーム、財務文書、レポートに有効です。 後でPDFのデータをxlsxファイルに変換したり、すべての有用なデータを含むzipファイルにマージすることができます。 セルが合併された複雑な表の場合、列の位置に基づいて解析ロジックを調整する必要があるかもしれません。 データ出力ドキュメントには、構造化された結果の操作に関する詳細なガイダンスが記載されています。

! 品目、数量、価格、合計の計算値の列を持つ製品在庫を表示する Excel スプレッドシート

表の抽出精度を高めるには、処理前にコンピューター ビジョン技術を使用して表の領域を自動的に検出することを検討してください。 このアプローチにより、複雑なレイアウトでの結果が大幅に改善されます。

フォーム フィールド データを抽出するにはどうすればよいでしょうか?

IronPDF は、構造化ドキュメントのパスポート読み取り機能と同様に、フォーム フィールドのデータの抽出と変更も処理します。

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");

このコードは、PDF からフォーム フィールドの値を抽出し、プログラムで更新できるようにします。これにより、PDF フォームの処理が容易になり、分析やレポート生成のために指定された範囲の情報を抽出することができます。 これは、顧客オンボーディング、アンケート処理、データ検証などのワークフローの自動化に役立ちます。 身分証明書の処理については、身分証明書 OCR のベスト プラクティスを参照してください。

! データ抽出結果を示す 2 つの PDF フォームの横並びの比較 - 左側の元のフォームには"John Doe"データが表示され、右側の更新されたフォームには"更新された値"が表示され、データの抽出と変更が成功したことが示されています

チェックボックスやラジオボタンを含むフォームを扱う場合、特殊なフィールドタイプに対して、バーコードやQRコードの読み取りと同様のカスタムロジックを実装する必要があるかもしれません。OcrResultクラスのドキュメントには、様々な結果タイプの処理に関する詳細な情報が記載されています。

次に何をすべきでしょうか?

IronPDFは、.NETでのPDFデータ抽出を実用的かつ効率的にします。 画像、テキスト、表、フォームフィールド、さらには通常追加のOCR処理を必要とするスキャンされたPDFを含むさまざまなPDFドキュメントから添付ファイルを抽出することができます。 スキャンされたドキュメントの場合、IronPDF とIronOCR 機能を組み合わせることで、包括的なドキュメント処理機能が提供されます。

ナレッジベースの構築、レポートワークフローの自動化、財務 PDF からのデータの抽出など、このライブラリには、手動でのコピーやエラーが発生しやすい解析を行わずに作業を完了するためのツールが用意されています。 シンプルで高速であり、Visual Studio プロジェクトに直接統合されます。 デプロイメントに関しては、IronPDF はWindows 、 Linux 、 Docker 、 AWSやAzureなどのクラウド プラットフォームを含むさまざまなプラットフォームをサポートしています。

ぜひお試しください。時間を節約でき、PDF での作業でよくある面倒な作業を回避できるはずです。 スタートアップ企業や小規模チーム向けのライセンス オプションには、ニーズに合わせて拡張できる柔軟なプランが含まれています。 実稼働環境への展開のためのライセンス キーの実装を検討することもできます。

PDFデータ抽出をアプリケーションに実装する準備はできていますか？ IronPDFは、あなたにとって.NETライブラリでしょうか？ 無料トライアルを開始して全機能にアクセスするか、商用利用のためのライセンスオプションを検索してください。 包括的なガイドやAPIリファレンスについては、ドキュメントをご覧ください。 すぐに実装するには、デモとコード例をチェックして、数分で開始してください。