Vyhledejte a získejte textovou stránku v souboru PDF

Zavedení

Stalo se vám někdy, že jste potřebovali vyhledat konkrétní text v dokumentu PDF a extrahovat jej pro další použití? Možná vytváříte aplikaci, která zpracovává dokumenty a vyžaduje přesnou extrakci dat, nebo možná jen potřebujete efektivně analyzovat soubory PDF. Ať už je váš případ jakýkoli, jste na správném místě! V tomto tutoriálu se ponoříme do toho, jak vyhledávat a získávat text ze stránky v souboru PDF pomocí Aspose.PDF for .NET. Ať už jste začátečník nebo zkušený vývojář, tento průvodce vás provede každým krokem konverzačním a poutavým způsobem. Jste připraveni? Začněme!

Předpoklady

Než se pustíme do kódování, ujistěte se, že máte vše, co potřebujete:

  1. Aspose.PDF for .NET Library: Můžete si ji stáhnout zzde nebo získat bezplatnou zkušební verzi ze stejného odkazu. Pro nákup zamiřte naAspose obchod.
  2. .NET Framework: Budete potřebovat funkční vývojové prostředí .NET, jako je Visual Studio.
  3. Soubor PDF: Budete potřebovat vzorový soubor PDF, ve kterém můžeme vyhledávat a extrahovat text. Pro tento tutoriál předpokládejme, že soubor je pojmenovánSearchAndGetTextPage.pdf.

Importujte balíčky

Nejprve musíme importovat potřebné jmenné prostory pro práci s Aspose.PDF pro .NET. Ujistěte se, že jsou uvedeny v horní části kódu.

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

Nyní, když jsme probrali předpoklady, pojďme si kód rozebrat krok za krokem. Každý krok byl jasně popsán, aby se dal snadno sledovat.

Krok 1: Nastavte cestu k adresáři vašich dokumentů

Než začnete pracovat s vaším PDF, musíte definovat cestu, kde je váš dokument PDF uložen. To zajistí, že program bude mít přístup k souboru.

string dataDir = "YOUR DOCUMENT DIRECTORY";
  • dataDir: Toto je cesta ke složce, kde jsou uloženy vaše soubory PDF. Nahradit"YOUR DOCUMENT DIRECTORY" se skutečnou cestou, kde se PDF nachází.

Krok 2: Načtěte dokument PDF

Dalším krokem je načtení dokumentu PDF do paměti, abyste s ním mohli pracovat. Zde je postup:

Document pdfDocument = new Document(dataDir + "SearchAndGetTextPage.pdf");
  • Dokument: Toto je třída Aspose.PDF, která načte soubor PDF.
  • pdfDocument: Proměnná, kam se uloží váš soubor PDF po načtení.

Krok 3: Vytvořte objekt absorbéru textu

TheTextFragmentAbsorbertřída umožňuje vyhledávat konkrétní text v PDF. Vytvořme instanci této třídy, abychom našli všechny výskyty dané hledané fráze.

TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("Figure");
  • TextFragmentAbsorber: Tato třída je zodpovědná za vyhledávání a extrahování textu z PDF.
  • “Obrázek”: Nahraďte jej jakýmkoli textem, který chcete v PDF hledat.

Krok 4: Aplikujte Text Absorber na celé PDF

Jakmile je pohlcovač textu nastaven, musíte programu sdělit, aby prohledával všechny stránky PDF.

pdfDocument.Pages.Accept(textFragmentAbsorber);
  • Accept(): Tato metoda aplikuje absorbér textu na PDF a naskenuje každou stránku na zadaný text.

Krok 5: Načtěte a iterujte extrahovaný text

Nyní, když jsme naskenovali PDF, je čas načíst výsledky a zobrazit je. Budeme procházet extrahované části textu.

TextFragmentCollection textFragmentCollection = textFragmentAbsorber.TextFragments;
  • TextFragmentCollection: Tato kolekce obsahuje všechny instance textových fragmentů nalezených absorbérem textu.

Krok 6: Projděte každý fragment a extrahujte data

Nyní projdeme přestextFragmentCollection a extrahovat různé vlastnosti každého textového segmentu, jako je jeho poloha, detaily písma a barva.

foreach (TextFragment textFragment in textFragmentCollection)
{
	foreach (TextSegment textSegment in textFragment.Segments)
	{
		Console.WriteLine("Text : {0} ", textSegment.Text);
		Console.WriteLine("Position : {0} ", textSegment.Position);
		Console.WriteLine("XIndent : {0} ", textSegment.Position.XIndent);
		Console.WriteLine("YIndent : {0} ", textSegment.Position.YIndent);
		Console.WriteLine("Font - Name : {0}", textSegment.TextState.Font.FontName);
		Console.WriteLine("Font - IsAccessible : {0} ", textSegment.TextState.Font.IsAccessible);
		Console.WriteLine("Font - IsEmbedded : {0} ", textSegment.TextState.Font.IsEmbedded);
		Console.WriteLine("Font - IsSubset : {0} ", textSegment.TextState.Font.IsSubset);
		Console.WriteLine("Font Size : {0} ", textSegment.TextState.FontSize);
		Console.WriteLine("Foreground Color : {0} ", textSegment.TextState.ForegroundColor);
	}
}
  • TextFragment: Každý fragment obsahuje části nalezeného textu.
  • TextSegment: Každý fragment může mít více segmentů, které představují různé části textu.
  • TextState: Poskytuje podrobné informace o písmu, velikosti a barvě textu.

V této smyčce tiskneme podrobnosti, jako je skutečný text, jeho poloha (souřadnice X a Y), písmo, zda je písmo vloženo do PDF a barva popředí textu.

Závěr

A tady to máte! Nyní jste úspěšně vyhledali a extrahovali text ze souboru PDF pomocí Aspose.PDF for .NET. Je neuvěřitelné, jakou flexibilitu s touto knihovnou máte. Ať už potřebujete vyhledat konkrétní text ve velkém dokumentu, extrahovat jej nebo analyzovat jeho vlastnosti, s Aspose.PDF je to hračka. Navíc s kódem, který jsme pokryli, jste dobře vybaveni, abyste jej mohli přizpůsobit svým potřebám.

FAQ

Mohu hledat více frází najednou?

Ano, kód můžete upravit tak, aby vyhledával více frází vytvořením více frázíTextFragmentAbsorber objektů.

Jak mohu extrahovat text z konkrétní stránky?

Můžete cílit na konkrétní stránku použitímTextFragmentAbsorber na jednu stránku místo celého dokumentu. Například:pdfDocument.Pages[1].Accept(textFragmentAbsorber);.

Je Aspose.PDF pro .NET zdarma?

Aspose.PDF je komerční produkt, ale můžete jej použít s azkušební verze zdarma.

Mohu extrahovat obrázky z PDF pomocí Aspose.PDF?

Ano, Aspose.PDF umožňuje extrahovat obrázky kromě textu. Zkontrolujtedokumentace pro více podrobností.

Co když potřebuji další pomoc nebo podporu?

Vždy můžete získat pomoc odAspose Support Forum.

Hledat a získat text vše Hledat regulární výraz v souboru PDF