Extraer texto usando un dispositivo de texto
Este tutorial lo guiará a través del proceso de extracción de texto de un documento PDF utilizando el dispositivo de texto en Aspose.PDF para .NET. El código fuente de C# proporcionado demuestra los pasos necesarios.
Requisitos
Antes de comenzar, asegúrese de tener lo siguiente:
- Visual Studio o cualquier otro compilador de C# instalado en su máquina.
- Aspose.PDF para la biblioteca .NET. Puede descargarlo del sitio web oficial de Aspose o utilizar un administrador de paquetes como NuGet para instalarlo.
Paso 1: configurar el proyecto
- Cree un nuevo proyecto de C# en su entorno de desarrollo preferido.
- Agregue una referencia a la biblioteca Aspose.PDF para .NET.
Paso 2: importar los espacios de nombres necesarios
En el archivo de código donde desea extraer texto, agregue lo siguiente usando directivas en la parte superior del archivo:
using Aspose.Pdf;
using Aspose.Pdf.Devices;
using System.IO;
using System.Text;
Paso 3: configurar el directorio de documentos
En el código, localice la línea que dicestring dataDir = "YOUR DOCUMENT DIRECTORY"; y reemplazar"YOUR DOCUMENT DIRECTORY" con la ruta al directorio donde están almacenados sus documentos.
Paso 4: abre el documento PDF
Abra un documento PDF existente usando elDocumentconstructor y pasando la ruta al archivo PDF de entrada.
Document pdfDocument = new Document(dataDir + "input.pdf");
Paso 5: extraiga texto usando el dispositivo de texto
Crear unStringBuilder objeto para contener el texto extraído. Repita cada página del documento y utilice unTextDevice para extraer el texto de cada página.
StringBuilder builder = new StringBuilder();
string extractedText = "";
foreach(Page pdfPage in pdfDocument.Pages)
{
using (MemoryStream textStream = new MemoryStream())
{
TextDevice textDevice = new TextDevice();
TextExtractionOptions textExtOptions = new TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure);
textDevice.ExtractionOptions = textExtOptions;
textDevice.Process(pdfPage, textStream);
textStream. Close();
extractedText = Encoding.Unicode.GetString(textStream.ToArray());
}
builder. Append(extractedText);
}
Paso 6: guarde el texto extraído
Especifique la ruta del archivo de salida y guarde el texto extraído en un archivo de texto usando elFile.WriteAllText método.
dataDir = dataDir + "input_Text_Extracted_out.txt";
File.WriteAllText(dataDir, builder.ToString());
Código fuente de muestra para extraer texto usando un dispositivo de texto usando Aspose.PDF para .NET
// La ruta al directorio de documentos.
string dataDir = "YOUR DOCUMENT DIRECTORY";
// Abrir documento
Document pdfDocument = new Document( dataDir + "input.pdf");
System.Text.StringBuilder builder = new System.Text.StringBuilder();
//Cadena para contener el texto extraído
string extractedText = "";
foreach (Page pdfPage in pdfDocument.Pages)
{
using (MemoryStream textStream = new MemoryStream())
{
// Crear dispositivo de texto
TextDevice textDevice = new TextDevice();
// Establecer opciones de extracción de texto: configurar el modo de extracción de texto (sin procesar o puro)
TextExtractionOptions textExtOptions = new
TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure);
textDevice.ExtractionOptions = textExtOptions;
// Convierta una página en particular y guarde texto en la secuencia
textDevice.Process(pdfPage, textStream);
// Convierta una página en particular y guarde texto en la secuencia
textDevice.Process(pdfDocument.Pages[1], textStream);
// Cerrar flujo de memoria
textStream.Close();
// Obtener texto del flujo de memoria
extractedText = Encoding.Unicode.GetString(textStream.ToArray());
}
builder.Append(extractedText);
}
dataDir = dataDir + "input_Text_Extracted_out.txt";
// Guarde el texto extraído en un archivo de texto
File.WriteAllText(dataDir, builder.ToString());
Console.WriteLine("\nText extracted successfully using text device from page of PDF Document.\nFile saved at " + dataDir);
Conclusión
Ha extraído con éxito texto de un documento PDF utilizando el dispositivo de texto en Aspose.PDF para .NET. El texto extraído se ha guardado en el archivo de salida especificado.
Preguntas frecuentes
P: ¿Cuál es el propósito de este tutorial?
R: Este tutorial proporciona orientación sobre cómo extraer texto de un documento PDF utilizando la función Dispositivo de texto en Aspose.PDF para .NET. El código fuente de C# adjunto demuestra los pasos necesarios para realizar esta tarea.
P: ¿Qué espacios de nombres debo importar?
R: En el archivo de código donde planea extraer texto, incluya las siguientes directivas de uso al principio del archivo:
using Aspose.Pdf;
using Aspose.Pdf.Devices;
using System.IO;
using System.Text;
P: ¿Cómo especifico el directorio de documentos?
R: En el código, busque la línea que dicestring dataDir = "YOUR DOCUMENT DIRECTORY"; y reemplazar"YOUR DOCUMENT DIRECTORY" con la ruta real a su directorio de documentos.
P: ¿Cómo abro un documento PDF existente?
R: En el Paso 4, abrirá un documento PDF existente usando elDocument constructor y proporcionando la ruta al archivo PDF de entrada.
P: ¿Cómo extraigo texto usando el dispositivo de texto?
R: El paso 5 implica crear unStringBuilder objeto para contener el texto extraído. Luego recorrerá cada página del documento y utilizará unTextDevice junto conTextExtractionOptions para extraer texto de cada página.
P: ¿Cómo guardo el texto extraído en un archivo?
R: En el paso 6, especificará la ruta del archivo de salida y utilizará elFile.WriteAllTextMétodo para guardar el texto extraído en un archivo de texto.
P: ¿Cuál es la conclusión clave de este tutorial?
R: Al seguir este tutorial, habrá aprendido cómo aprovechar la función Dispositivo de texto en Aspose.PDF para .NET para extraer texto de un documento PDF. El texto extraído se ha guardado en un archivo de salida específico, lo que le permite manipular y utilizar el contenido extraído según sea necesario.
