استخراج نص الأعمدة في ملف PDF

مقدمة

هل تعمل مع ملفات PDF وتحتاج إلى استخراج نص بتنسيق عمود معين؟ سواء كنت تقوم بمعالجة الفواتير أو التقارير أو أي مستندات منظمة، فإن استخراج النص بدقة من ملف PDF قد يكون مهمة صعبة. وهنا يأتي دور Aspose.PDF for .NET لتبسيط العملية. في هذا البرنامج التعليمي، سنوضح لك كيفية استخراج أعمدة النص من ملف PDF بسهولة.

المتطلبات الأساسية

قبل الغوص في الكود، دعنا نغطي الأشياء الأساسية التي ستحتاجها:

  • Aspose.PDF for .NET: تأكد من تثبيت أحدث إصدار من Aspose.PDF for .NET. إذا لم يكن لديك الإصدار الأحدث، فيمكنكتحميله هنا.
  • بيئة التطوير: ستحتاج إلى Visual Studio أو بيئة تطوير .NET أخرى للعمل مع الكود.
  • مستند PDF: احتفظ بنموذج مستند PDF في متناول يدك، ويفضل أن يحتوي على أعمدة من النص، حيث سنقوم باستخراج النص منه.

إذا لم تقم بتثبيت Aspose.PDF لـ .NET بعد، فيمكنك الحصول علىنسخة تجريبية مجانية أوشراء ترخيص للحصول على الميزات الكاملة. يمكنك أيضًا التقدم بطلب للحصول علىرخصة مؤقتة إذا لزم الأمر.

استيراد مساحات الأسماء

لاستخدام Aspose.PDF لـ .NET في مشروعك، ستحتاج إلى استيراد المساحات التالية:

using System.IO;
using Aspose.Pdf;
using Aspose.Pdf.Text;
using System;

دليل خطوة بخطوة: استخراج أعمدة النص من ملف PDF

الآن، دعنا نحلل كل جزء من الكود لفهم كيفية عمله بشكل أفضل. تابع معنا خطوة بخطوة، موضحًا كل جزء من العملية.

الخطوة 1: تحميل مستند PDF

أول شيء عليك فعله هو تحميل ملف PDF الخاص بك إلىDocumentهذا هو كيفية تفاعل Aspose.PDF مع مستندك.

string dataDir = "YOUR DOCUMENT DIRECTORY";
Document pdfDocument = new Document(dataDir + "ExtractTextPage.pdf");

في هذه الخطوة، نقوم ببساطة بتحديد الدليل الذي يتم تخزين مستند PDF فيه. استبدل"YOUR DOCUMENT DIRECTORY" مع المسار إلى ملف PDF المحلي الخاص بك.Document يقوم الكائن بتحميل ملف PDF إلى الذاكرة، مما يجعله متاحًا لمزيد من المعالجة.

الخطوة 2: إعداد أداة امتصاص شظايا النص

بعد ذلك، سوف نستخدمTextFragmentAbsorber لامتصاص أو التقاط كل النص من ملف PDF. تم تصميم فئة الامتصاص هذه لاستخراج أجزاء نصية من مناطق معينة في ملف PDF، مما يجعلها مثالية لاستخراج أعمدة من النص.

TextFragmentAbsorber tfa = new TextFragmentAbsorber();
pdfDocument.Pages.Accept(tfa);
TextFragmentCollection tfc = tfa.TextFragments;

هنا، نقوم بإنشاء مثيل لـTextFragmentAbsorber وتطبيقه على جميع صفحات PDF باستخدامAccept() . الTextFragmentCollection يخزن النص المستخرج، ومن هذه المجموعة، يمكننا معالجة النص أو استخراجه حسب الحاجة.

الخطوة 3: ضبط حجم الخط للنص المستخرج

بمجرد التقاط أجزاء النص، قد ترغب في تقليل حجم الخط، خاصةً عندما يكون النص الأصلي كبيرًا جدًا. في هذا المثال، نقوم بتقليل حجم الخط بنسبة 70%.

foreach (TextFragment tf in tfc)
{
    // تقليل حجم الخط بنسبة 70%
    tf.TextState.FontSize = tf.TextState.FontSize * 0.7f;
}

هذا الكود يتكرر في كل مرةTextFragment في المجموعة ويقلل حجم الخط بنسبة 70%. يمكن أن يؤدي تعديل حجم الخط إلى تسهيل إدارة النص المستخرج، خاصة إذا كنت تقوم بتنسيقه لأغراض مختلفة.

الخطوة 4: حفظ المستند في مجرى الذاكرة

بعد تعديل النص نقوم بحفظ ملف PDF فيMemoryStreamيتيح لنا هذا الاحتفاظ بالمستند في الذاكرة لمزيد من المعالجة دون الحاجة إلى كتابته مرة أخرى على القرص.

Stream st = new MemoryStream();
pdfDocument.Save(st);
pdfDocument = new Document(st);

هنا، نقوم بحفظ ملف PDF في مجرى ذاكرة ثم إعادة تحميل المستند. هذه الطريقة مفيدة عندما تعمل بملفات كبيرة وترغب في تجنب عمليات القرص غير الضرورية.

الخطوة 5: استخراج النص بالكامل باستخدام Text Absorber

الآن بعد أن قمنا بإعداد ملف PDF، حان الوقت لاستخراج النص. سنستخدمTextAbsorber للحصول على كل النص من المستند.

TextAbsorber textAbsorber = new TextAbsorber();
pdfDocument.Pages.Accept(textAbsorber);
String extractedText = textAbsorber.Text;

في هذه الخطوة،TextAbsorber يمتص كل النص من ملف PDF، ويتم تخزين النص المستخرج فيextractedText السلسلة. هذا هو المكان الذي تحدث فيه السحر - أصبحت أعمدة النص لديك الآن بتنسيق نص عادي!

الخطوة 6: احفظ النص المستخرج في ملف

وأخيرًا، نقوم بحفظ النص المستخرج في.txt ملف لسهولة الوصول إليه ومزيد من الاستخدام.

dataDir = dataDir + "ExtractColumnsText_out.txt";
System.IO.File.WriteAllText(dataDir, extractedText);
Console.WriteLine("\nColumns text extracted successfully from Pages of PDF Document.\nFile saved at " + dataDir);

يكتب هذا الكود النص المستخرج في ملف جديد.txt يقوم بحفظ الملف في الدليل المحدد. يتم عرض رسالة في وحدة التحكم لتأكيد نجاح العملية.

خاتمة

هذا كل ما في الأمر! إن استخراج أعمدة نصية من ملف PDF باستخدام Aspose.PDF لـ .NET أسهل مما قد تظن. فباستخدام بضعة أسطر فقط من التعليمات البرمجية، يمكنك تحميل ملف PDF واستخراج نص معين وتعديل التنسيق وحفظ النتائج في ملف نصي.

تُعد هذه التقنية مفيدة بشكل لا يصدق لمعالجة المستندات المنظمة مثل الجداول أو التقارير أو أي محتوى منظم في أعمدة. سواء كنت بحاجة إلى أتمتة استخراج البيانات أو معالجة مستندات ضخمة، فإن Aspose.PDF يوفر لك الأدوات اللازمة لتحقيق ذلك بكفاءة.

الأسئلة الشائعة

هل يمكنني استخراج النص من صفحات محددة من ملف PDF؟

نعم! يمكنك تعديلTextFragmentAbsorber لاستهداف صفحات محددة باستخدامpdfDocument.Pages[pageIndex].Accept(tfa); طريقة.

هل من الممكن استخراج النص من عمود واحد فقط في ملف PDF متعدد الأعمدة؟

نعم، ولكنك ستحتاج إلى العمل مع إحداثيات أجزاء النص باستخدامTextFragment.Rectangle لاستهداف مناطق محددة من الوثيقة.

كيف يمكنني تحسين دقة استخراج النص؟

للحصول على دقة أفضل، تأكد من أن بنية ملف PDF محددة جيدًا وتجنب المستندات ذات التخطيطات المعقدة. يمكنك أيضًا ضبط التنسيقات بدقةTextFragmentAbsorber لاستخراج النص بناءً على أنماط الخطوط أو أحجامها أو مناطقها.

هل يدعم Aspose.PDF استخراج النص من المستندات الممسوحة ضوئيًا؟

نعم، ولكنك ستحتاج إلى استخدام تقنية التعرف الضوئي على الحروف (OCR). توفر Aspose أدوات لهذا أيضًا.

كيف أتعامل مع ملفات PDF كبيرة الحجم تحتوي على آلاف الصفحات؟

بالنسبة لملفات PDF الكبيرة، قم بمعالجة المستند في أجزاء عن طريق استخراج النص من بضع صفحات في كل مرة لتجنب استخدام قدر كبير من الذاكرة.

تضمين الخطوط القياسية من النوع 1 في ملف PDF استخراج الفقرات من ملف PDF