开头

上周帮朋友处理一个需求：把上百份 PDF 合同里的关键信息提取出来，汇总到 Excel 里。

他问我：“这个用 Python 做方便吗？”

我说：“用 .NET 吧，有个库叫 PdfPig，几行代码就能提取文本。”

他愣了一下：“.NET 还能处理 PDF？”

能。而且比你想象的优雅得多。

今天给大家介绍这个我私藏了很久的开源项目——PdfPig。

---

项目简介

PdfPig 是一个纯 C# 实现的 PDF 处理库，由 UglyToad 团队开发和维护。

你可能不知道这个团队，但你一定听说过 PDFBox——这是 Apache 基金会的明星项目，最初由 Java 编写。PdfPig 的诞生，正是团队在尝试将 PDFBox 移植到 .NET 过程中演化出来的产物。

换句话说，PdfPig 站在了 PDFBox 的肩膀上继承了大量成熟可靠的 PDF 处理逻辑，同时又充分利用了 C# 的语言特性和 .NET 生态的优势。

项目在 GitHub 上开源（github.com/UglyToad/PdfPig），社区活跃，是 .NET 生态里 PDF 处理领域的标杆项目。

---

核心功能一览

PdfPig 的功能可以用"全面"二字形容。让我挨个说：

1. 文本提取

这是 PdfPig 最核心的能力。你可以通过多种方式提取 PDF 中的文本：

using (PdfDocument document = PdfDocument.Open(@"合同.pdf"))
{
foreach (Page page in document.GetPages())
    {
// 方式一：直接获取全文本（不推荐，顺序可能混乱）
string text = page.Text;

// 方式二：按阅读顺序提取（推荐）
string orderedText = ContentOrderTextExtractor.GetText(page);

// 方式三：获取单词列表，精确控制
        IEnumerable<Word> words =
            page.GetWords(NearestNeighbourWordExtractor.Instance);
    }
}

注意 README 里特别强调了：不要直接使用 page.Text，因为 PDF 内部的内容流顺序不等于我们阅读的顺序。这是很多新手容易踩的坑。

2. PDF 创建

PdfPig 不仅能读，还能写：

PdfDocumentBuilder builder = new PdfDocumentBuilder();
PdfPageBuilder page = builder.AddPage(PageSize.A4);

// 注册字体（必须是 Standard 14 字体或 TrueType 字体）
PdfDocumentBuilder.AddedFont font = builder.AddStandard14Font(Standard14Font.Helvetica);

// 添加文本
page.AddText("Hello World!", 12, new PdfPoint(25, 700), font);

// 生成并保存
byte[] documentBytes = builder.Build();
File.WriteAllBytes(@"C:\git\newPdf.pdf", documentBytes);

几行代码就能生成一个规范的 A4 PDF，效果如图：

3. PDF 合并

合并多个 PDF 只需一行：

var resultFileBytes = PdfMerger.Merge(filePath1, filePath2);

4. 加密文档支持

遇到有密码的 PDF？PdfPig 也能搞定：

// 提供密码打开
using (PdfDocument document = PdfDocument.Open(@"加密文档.pdf",
new ParsingOptions { Password = "user-password" }))

// 或者批量尝试密码
using (PdfDocument document = PdfDocument.Open(@"加密文档.pdf",
new ParsingOptions { Passwords = new List<string> { "pwd1", "pwd2" } }))

5. 表单提取

AcroForm 表单字段也能读取：

if (document.TryGetForm(out AcroForm form))
{
foreach (var field in form.Fields)
    {
        Console.WriteLine($"字段名：{field.Name}，类型：{field.FieldType}");
    }
}

6. 其他能力

• 书签（Outline）读取
• 超链接提取
• 图片提取
• 字体解析（支持 Standard 14 和 TrueType）
• 嵌入文件提取
• 文档结构分析

---

适用场景

说了这么多，你可能在想：这玩意儿用在哪儿？

场景一：文档自动化处理

最典型的就是我开头提到的场景——从大量 PDF 中提取结构化数据。比如：

• 从发票 PDF 中提取金额、日期、开票方信息
• 从合同 PDF 中提取甲乙方、金额、期限
• 从报告 PDF 中提取关键数据填入数据库

场景二：PDF 预处理器

在做 RAG（检索增强生成）或知识库项目时，通常需要对文档进行分块和向量化。PdfPig 可以精确控制文本提取的颗粒度，配合文档布局分析算法，实现更智能的分块策略。

场景三：PDF 生成服务

如果你的系统需要生成 PDF 报告、证书、订单等，PdfPig 的 PdfDocumentBuilder 提供了简洁的 API。虽然功能不如 iText 丰富，但胜在轻量和易用。

场景四：PDF 质量检测

提取 Letters（字母级别的原始数据）后，你可以分析字体、字间距、排版等，用于检测 PDF 的制作质量或验证文档的格式规范性。

---

为什么选择 PdfPig？

可能有人会问：iTextSharp、Aspose.PDF 这些商业库不是更强大吗？

确实，功能上 PdfPig 不一定是最全的。但它有几个独特的优势：

第一，纯开源，零商业授权费用

iTextSharp（现在的 iText 7）在商业使用时需要付费许可证。PdfPig 采用 Apache 2.0 协议，完全免费，这对于创业公司和小团队非常友好。

第二，API 设计简洁

iTextSharp 的文本提取通常需要创建 Reader → Extractor → 设置引擎 → 获取文本，步骤较多。而 PdfPig 的方式非常直接：

// PdfPig：简洁直接，一气呵成
using (PdfDocument document = PdfDocument.Open(path))
{
string text = ContentOrderTextExtractor.GetText(document.GetPage(1));
}

谁的意图更清晰，一目了然。

第三，.NET 生态无缝集成

PdfPig 天然支持 .NET Standard / .NET Core / .NET 5+，可以轻松集成到 ASP.NET Core、Web API、WinForms、WPF 等各种应用场景。

第四，文档布局分析能力

这是 PdfPig 的一大亮点。它提供了多种文档布局分析算法：

• DocstrumBoundingBoxes
• NearestNeighbourWordExtractor
• UnsupervisedReadingOrderDetector

配合使用，可以实现高精度的文本提取和阅读顺序还原。这对于处理排版复杂的 PDF（多栏、表格混排）尤为重要。

---

如何上手？

安装非常简单，NuGet 一行命令：

Install-Package PdfPig

或者通过 dotnet CLI：

dotnet add package PdfPig

官方 Wiki 提供了丰富的示例和详细文档，涵盖了从入门到进阶的各个方面。

写在最后

做开源项目最难的不是写出第一版代码，而是持续维护和迭代。PdfPig 团队多年来一直保持着活跃的更新，响应 issue 及时，版本迭代稳定。这种认真做项目的态度，在开源圈里弥足珍贵。

如果你正在做与 PDF 相关的 .NET 项目，不妨给 PdfPig 一个机会。它可能不是功能最全的，但一定是上手最快、用起来最顺手的之一。

当你还在为 PDF 焦头烂额时，别人已经用几行代码搞定了。

有时候，换对工具，效率提升的可不止一点点。

阅读原文：原文链接