Extrahujte text pomocí textového zařízení

Zavedení

Extrahování textu z PDF může být složité, zejména při práci s dokumenty, které mají různé formáty, vložená písma nebo složitá rozvržení. Ale s Aspose.PDF pro .NET se tento proces stává hračkou! Ať už chcete převést stránky PDF do prostého textu pro další analýzu, nebo jednoduše potřebujete extrahovat konkrétní části, Aspose.PDF vás pokryje. V tomto tutoriálu si krok za krokem rozebereme, jak extrahovat text z PDF pomocí třídy TextDevice v Aspose.PDF. Poskytneme také jasná vysvětlení, takže stejné metody můžete snadno použít na své vlastní projekty.

Předpoklady

Než se pustíme do kódu, ujistěte se, že máte vše, co můžete sledovat. Zde je to, co budete potřebovat:

  1. Aspose.PDF pro .NET: Stáhněte si nejnovější verzi zStránka ke stažení Aspose.PDF pro .NET.
  2. Vývojové prostředí: Visual Studio nebo jakékoli jiné vývojové prostředí C#.
  3. .NET Framework: Ujistěte se, že váš projekt cílí na .NET Framework 4.x nebo vyšší.
  4. Vstupní soubor PDF: Soubor PDF, který použijete pro extrakci textu. Umístěte to do adresáře na vašem počítači (budeme to označovat jakoYOUR DOCUMENT DIRECTORY).

Importujte balíčky

V horní části kódu budete muset importovat potřebné jmenné prostory pro práci s Aspose.PDF:

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

Krok 1: Načtěte dokument PDF

Před extrahováním textu musíme načíst dokument PDF do paměti. V tomto kroku otevřete soubor PDF pomocí souboru Aspose.PDFDocument třída. To vám umožní přístup ke všem stránkám a obsahu v souboru.

// Definujte cestu k dokumentu PDF
string dataDir = "YOUR DOCUMENT DIRECTORY";

// Načtěte dokument PDF
Document pdfDocument = new Document(dataDir + "input.pdf");

Tady, používámeDocument pdfDocument = new Document(dataDir + "input.pdf"); pro načtení PDF. ThedataDir proměnná obsahuje cestu k adresáři vašeho souboru PDF. To nám umožní přístup k celému dokumentu, což nám umožní procházet stránkami a extrahovat obsah.

Krok 2: Nastavte Tvůrce řetězců pro ukládání textu

Nyní, když je dokument načten, potřebujeme způsob, jak extrahovaný text uložit. K tomu použijeme aStringBuilder což umožňuje efektivní zřetězení řetězců.

// StringBuilder k uložení extrahovaného textu
StringBuilder builder = new StringBuilder();

Inicializujeme aStringBuilderinstance, která bude shromažďovat text extrahovaný z každé stránky. Je to efektivnější způsob zpracování velkých řetězců ve srovnání s běžným zřetězením řetězců ve smyčce.

Krok 3: Procházení stránek PDF

Dále procházíme každou stránku dokumentu PDF, abychom extrahovali text. Každou stránku zpracujeme individuálně pomocíTextDevice třídy, která je zodpovědná za převod obsahu PDF do textového formátu.

// Projděte všechny stránky v PDF
foreach (Page pdfPage in pdfDocument.Pages)
{
    // Zpracujte každou stránku pro extrakci textu
}

Tato smyčka prochází každou stránku PDF (pdfDocument.Pages ). Pro každou stránku vyjmeme text a přidáme jej do našehoStringBuilder.

Krok 4: Extrahujte text z každé stránky

Nyní nastavíme proces extrakce textu pro každou stránku. Zde vytvoříme aTextDevice objekt a použít jej ke zpracování stránek PDF. TheTextDevice extrahuje nezpracovaný nebo formátovaný text na základě námi nastavených možností extrakce.

using (MemoryStream textStream = new MemoryStream())
{
    // Vytvořte textové zařízení pro extrakci textu
    TextDevice textDevice = new TextDevice();
    
    // Nastavte možnosti extrakce textu na režim „Čistý“.
    TextExtractionOptions textExtOptions = new TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure);
    textDevice.ExtractionOptions = textExtOptions;

    //Extrahujte text z aktuální stránky a uložte jej do paměti
    textDevice.Process(pdfPage, textStream);

    // Převod paměti na text
    string extractedText = Encoding.Unicode.GetString(textStream.ToArray());

    // Přidejte extrahovaný text do StringBuilderu
    builder.Append(extractedText);
}
  • TextDevice textDevice = new TextDevice(); : TheTextDevice třída se používá k extrahování textu z PDF.
  • TextExtractionOptions textExtOptions = new TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure); : Tato možnost extrahuje nezpracovaný text bez zachování jakéhokoli formátování, jako jsou písma nebo pozice. Můžete také použítTextFormattingMode.Raw pokud potřebujete větší kontrolu nad formátováním.
  • textDevice.Process(pdfPage, textStream); : Tím se zpracuje každá stránka PDF a extrahovaný text se uloží do aMemoryStream.
  • Nakonec převedeme text zMemoryStream k řetězci a připojit jej kStringBuilder.

Krok 5: Uložte extrahovaný text do souboru

Po zpracování všech stránek se text uloží doStringBuilder. Posledním krokem je uložení tohoto extrahovaného textu do souboru.

// Definujte výstupní cestu pro textový soubor
dataDir = dataDir + "input_Text_Extracted_out.txt";

// Uložte extrahovaný text do souboru
File.WriteAllText(dataDir, builder.ToString());

Console.WriteLine("\nText extracted successfully from PDF document.\nFile saved at " + dataDir);
  • File.WriteAllText(dataDir, builder.ToString()); : Toto píše celý obsahStringBuilder do textového souboru.
  • Cesta k výstupnímu souboru se nastavuje připojením názvu souboru ("input_Text_Extracted_out.txt" ) kdataDir cesta.

Závěr

Extrahování textu z PDF pomocí Aspose.PDF pro .NET je jednoduchý a efektivní proces. Podle kroků uvedených v této příručce můžete snadno otevírat dokumenty PDF, procházet stránkami a extrahovat text do textového souboru. To je užitečné zejména při zpracování velkých objemů dat PDF, provádění analýzy textu nebo převodu dokumentů pro další manipulaci.

S Aspose.PDF nejste omezeni na extrakci textu – můžete pracovat s anotacemi, manipulovat s obrázky nebo dokonce převádět PDF do jiných formátů, jako je HTML nebo Word. Flexibilita a síla této knihovny z ní činí neocenitelný nástroj pro správu PDF v aplikacích .NET.

FAQ

Může Aspose.PDF extrahovat text z obrázků PDF?

Ne, Aspose.PDF je navržen tak, aby extrahoval text z obsahu PDF. Pro soubory PDF založené na obrázcích je zapotřebí technologie OCR.

Zachová Aspose.PDF při extrahování textu formátování?

Ve výchozím nastavení je text extrahován bez formátování, ale pokud chcete zachovat určité formátování, můžete upravit možnosti extrakce.

Mohu extrahovat text z určitého rozsahu stránek?

Ano, kód můžete upravit tak, aby procházel přes konkrétní rozsah stránek namísto všech stránek.

Jaké jsou režimy extrakce textu v Aspose.PDF?

Aspose.PDF poskytuje dva režimy: Raw a Pure. Režim Raw se snaží zachovat původní rozvržení, zatímco režim Pure extrahuje pouze text bez formátování.

Je Aspose.PDF for .NET kompatibilní s .NET Core?

Ano, Aspose.PDF for .NET je plně kompatibilní s .NET Core a .NET Framework.

Extrahujte textovou stránku v souboru PDF Získejte šířku textu dynamicky