PDF 資料擷取 .NET：完整開發者指南

我該如何開始使用 IronPDF？

透過 NuGet 套件管理器安裝 IronPDF 只需幾秒鐘。 開啟軟體包管理器控制台並執行：

Install-Package IronPDF

Install-Package IronPDF

對於更進階的安裝方案，請查看NuGet 套件文件。 安裝完成後，即可立即開始處理輸入的PDF文件。 以下是一個簡單的 .NET 範例，展示了 IronPDF API 的簡潔性：

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);

這段程式碼載入一個PDF檔案並提取其中的每一段文字。 IronPDF 可以自動處理複雜的 PDF 結構、表單資料和編碼，而這些通常會為其他庫帶來問題。 從 PDF 文件中提取的數據可以保存到文字文件，也可以進一步處理以進行分析。 對於更複雜的提取需求，您可能需要探索專門的文件處理技術。

實用技巧：您可以將提取的文字儲存到 .txt 檔案中以便稍後處理，或者解析它以填充資料庫、Excel 表格或知識庫。 這種方法適用於報告、合約或任何需要快速取得原始文字的 PDF 檔案。 對於涉及表格的場景，請考慮學習如何讀取文件中的表格以提取更結構化的資料。

如何從特定頁面提取資料？

實際應用中往往需要精確的資料擷取。 IronPDF 提供多種方法，可以從 PDF 中的特定頁面提取有價值的資訊。 這種方法類似於OCR 區域特定提取，但適用於 PDF 文件。 在這個例子中，我們將使用以下PDF文件：

PDF 檢視器顯示的是 2024 年年度報告，其中包含發票總表，表格列出了發票編號、日期和金額，以及部門績效和財務概覽部分。

以下程式碼從該 PDF 中的特定頁面提取數據，並將結果返回到我們的控制台。 處理多頁文件時，您可能會發現多頁 TIFF 處理技術對解決類似問題也很有用。

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()}");
        }
    }
}

本範例展示如何從 PDF 文件中提取文本，搜尋關鍵訊息，並將其準備儲存到資料檔案或知識庫中。 ExtractTextFromPage()方法可保持文件的閱讀順序，因此非常適合文件分析和內容索引任務。 為了提高準確性，處理低品質 PDF 檔案時，可以考慮使用影像優化濾鏡。

！ Microsoft Visual Studio 偵錯控制台顯示提取的發票數據，包括發票摘要、日期、金額和最終總計 2,230.00 美元。

在處理財務文件時，您可能會受益於財務語言包，以提高專業術語的準確性。 此外，進度追蹤可以幫助監控大批量文件的提取效能。

如何從PDF文件中提取表格？

PDF 檔案中的表格沒有原生結構——它們只是排列成表格形狀的文字內容。 IronPDF 可以提取表格資料並保留佈局，以便您可以將其處理成 Excel 或文字檔案。 這類似於OCR圖形提取，但專門針對表格內容進行了最佳化。 在這個例子中，我們將使用這個PDF檔案：

！ 範例發票，顯示結構化數據，包括客戶詳細資料、產品明細和總金額 180.00 美元。

我們的目標是提取表格本身的數據，以展示 IronPDF 解析表格數據的能力。 對於更高級的表格提取場景，可以探索讀取文件中的表格，它使用機器學習來處理複雜的表格結構。

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 檔案中的表格通常只是排列成網格狀的文字。 此檢查有助於確定一行是屬於表格行還是表格標題。 透過過濾掉頁首、頁尾和無關文本，您可以從 PDF 中提取乾淨的表格數據，以便匯入 CSV 或 Excel。 對於佈局複雜的收據和發票，請查看AdvancedScan 擴充功能。

此工作流程適用於 PDF 表單、財務文件和報告。 之後您可以將 PDF 中的資料轉換為 xlsx 文件，或將它們合併到一個包含所有有用資料的 zip 檔案中。 對於包含合併儲存格的複雜表格，您可能需要根據列位置調整解析邏輯。 資料輸出文件提供了有關如何處理結構化結果的詳細指導。

！ 顯示產品庫存的 Excel 表格，包含"商品"、"數量"、"價格"和"總計算值"等欄位。

為了提高表格提取的準確性，可以考慮使用電腦視覺技術在處理之前自動檢測表格區域。 這種方法可以顯著改善複雜佈局的渲染效果。

如何提取表單欄位資料？

IronPDF 也具備表單欄位資料擷取與修改功能，類似護照讀取功能，可用於結構化文件：

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");

此程式碼從 PDF 中提取表單欄位值，並允許您以程式設計方式更新它們，從而可以輕鬆處理 PDF 表單並提取指定範圍的資訊以進行分析或產生報告。 這對於自動化工作流程非常有用，例如客戶註冊、調查處理或資料驗證。 對於身分識別文件處理，請探索身分識別檔案 OCR最佳實務。

並排比較兩個PDF表單，顯示資料擷取結果－左側為原始表單，包含"John Doe"資料；右側為更新後的表單，包含"更新值"，顯示資料擷取並修改成功。

在使用包含複選框和單選按鈕的表單時，您可能需要為特殊欄位類型實作類似條碼和二維碼讀取的自訂邏輯。 OcrResult類別文件提供了有關處理各種結果類型的詳細資訊。

接下來我該怎麼做？

IronPDF 讓 .NET 中的 PDF 資料擷取實用且有效率。 您可以從各種 PDF 文件中提取圖像、文字、表格、表單字段，甚至提取附件，包括通常需要額外 OCR 處理的掃描 PDF。 對於掃描文檔，將 IronPDF 與IronOCR 功能結合，可提供全面的文件處理能力。

無論您是建立知識庫、自動化報告工作流程，還是從財務 PDF 中提取數據，此庫都能為您提供完成此操作所需的工具，而無需手動複製或容易出錯的解析。 它簡單、快速，並且可以直接整合到 Visual Studio 專案中。 在部署方面，IronPDF 支援多種平台，包括Windows 、 Linux 、 Docker以及AWS和Azure等雲端平台。

不妨一試—您很可能會節省時間，並避免處理 PDF 文件時通常會遇到的種種麻煩。 對於新創公司和小型團隊，授權選項包括可隨需求成長而擴展的靈活計劃。 您也可以探索在生產部署中實作許可證金鑰的方法。

準備好在您的應用程式中實現 PDF 資料提取功能了嗎？ IronPDF 聽起來像您理想的 .NET 程式庫嗎？ 立即開始免費試用，體驗全部功能；或了解我們的商業用途授權選項。 請造訪我們的文檔，以取得全面的指南和 API 參考。 如需快速實現，請查看我們的演示和程式碼範例，即可在幾分鐘內上手。