夜雨聆风开头
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。
互动引导
你处理 PDF 时遇到过哪些头疼的问题？是用什么方案解决的？欢迎在评论区分享你的经验。
如果这篇文章对你有帮助，转发给你身边做 .NET 开发的朋友，让更多人知道这个宝藏项目。
