Kolommentekst uit PDF-bestand extraheren

Invoering

Werkt u met PDF-bestanden en moet u tekst in een specifiek kolomformaat extraheren? Of u nu facturen, rapporten of gestructureerde documenten verwerkt, het nauwkeurig extraheren van tekst uit een PDF kan een lastige klus zijn. Dit is waar Aspose.PDF voor .NET in beeld komt om het proces te vereenvoudigen. In deze tutorial laten we u zien hoe u eenvoudig kolommen tekst uit een PDF-bestand kunt extraheren.

Vereisten

Voordat we in de code duiken, bespreken we eerst de essentiële zaken die je nodig hebt:

  • Aspose.PDF voor .NET: Zorg ervoor dat u de nieuwste versie van Aspose.PDF voor .NET hebt geïnstalleerd. Als dat niet zo is, kunt udownload het hier.
  • Ontwikkelomgeving: U hebt Visual Studio of een andere .NET-ontwikkelomgeving nodig om met de code te kunnen werken.
  • PDF-document: Zorg dat u een voorbeeld-PDF-document bij de hand hebt, bij voorkeur een document met tekstkolommen, aangezien we er tekst uit gaan halen.

Als u Aspose.PDF voor .NET nog niet hebt geïnstalleerd, kunt u eengratis proefperiode ofeen licentie kopen voor alle functies. U kunt ook een aanvraag indienen voor eentijdelijke licentie indien nodig.

Naamruimten importeren

Om Aspose.PDF voor .NET in uw project te gebruiken, moet u de volgende naamruimten importeren:

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

Stapsgewijze handleiding: kolommen tekst uit een PDF extraheren

Laten we nu elk deel van de code opsplitsen om beter te begrijpen hoe het werkt. Volg ons terwijl we stap voor stap elk segment van het proces uitleggen.

Stap 1: Laad het PDF-document

Het eerste wat u moet doen, is uw PDF-bestand in deDocumentobject. Dit is hoe Aspose.PDF met uw document communiceert.

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

In deze stap definiëren we eenvoudigweg de directory waar uw PDF-document is opgeslagen. Vervangen"YOUR DOCUMENT DIRECTORY" met het pad naar uw lokale PDF-bestand. DeDocument object laadt de PDF in het geheugen, waardoor deze toegankelijk is voor verdere verwerking.

Stap 2: De tekstfragmentabsorber instellen

Vervolgens gebruiken we eenTextFragmentAbsorber om alle tekst uit het PDF-bestand te absorberen of vast te leggen. Deze absorberklasse is ontworpen om tekstfragmenten uit specifieke gebieden in uw PDF te extraheren, wat het ideaal maakt voor het extraheren van tekstkolommen.

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

Hier maken we een instantie vanTextFragmentAbsorber en pas het toe op alle pagina’s van de PDF met behulp vanAccept() . DeTextFragmentCollection slaat de geëxtraheerde tekst op en uit deze verzameling kunnen we tekst naar behoefte manipuleren of extraheren.

Stap 3: Pas de lettergrootte van de geëxtraheerde tekst aan

Zodra u de tekstfragmenten hebt vastgelegd, wilt u mogelijk de lettergrootte verkleinen, vooral als de originele tekst te groot is. In dit voorbeeld verkleinen we de lettergrootte met 70%.

foreach (TextFragment tf in tfc)
{
    // Verklein de lettergrootte met 70%
    tf.TextState.FontSize = tf.TextState.FontSize * 0.7f;
}

Deze code loopt door elkTextFragment in de collectie en verkleint de lettergrootte met 70%. Door de lettergrootte aan te passen, kunt u de geëxtraheerde tekst gemakkelijker beheren, vooral als u deze voor verschillende doeleinden formatteert.

Stap 4: Sla het document op in een geheugenstroom

Nadat we de tekst hebben aangepast, slaan we de PDF op in eenMemoryStreamHierdoor kunnen we het document in het geheugen bewaren voor verdere verwerking, zonder dat we het terug naar de schijf hoeven te schrijven.

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

Hier slaan we de PDF op in een geheugenstroom en laden het document vervolgens opnieuw. Deze methode is handig als u met grote bestanden werkt en onnodige schijfbewerkingen wilt vermijden.

Stap 5: Alle tekst extraheren met Text Absorber

Nu we de PDF hebben voorbereid, is het tijd om de tekst te extraheren. We gebruikenTextAbsorber om alle tekst uit het document te halen.

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

In deze stap wordt deTextAbsorber absorbeert alle tekst uit de PDF en de geëxtraheerde tekst wordt opgeslagen in deextractedText string. Dit is waar de magie gebeurt: uw tekstkolommen zijn nu in platte-tekstformaat!

Stap 6: Sla de geëxtraheerde tekst op in een bestand

Ten slotte slaan we de geëxtraheerde tekst op in een.txt bestand voor eenvoudige toegang en verder gebruik.

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);

Deze code schrijft de geëxtraheerde tekst naar een nieuw.txt bestand en slaat het op in de door u opgegeven directory. Er wordt een bericht weergegeven in de console om te bevestigen dat het proces succesvol was.

Conclusie

Daar heb je het! Kolommen tekst extraheren uit een PDF-bestand met Aspose.PDF voor .NET is makkelijker dan je zou denken. Met slechts een paar regels code kun je een PDF laden, specifieke tekst extraheren, de opmaak aanpassen en de resultaten opslaan in een tekstbestand.

Deze techniek is ongelooflijk handig voor het verwerken van gestructureerde documenten zoals tabellen, rapporten of inhoud die in kolommen is georganiseerd. Of u nu gegevensextractie wilt automatiseren of bulkdocumenten wilt verwerken, Aspose.PDF biedt de tools om dit efficiënt te doen.

Veelgestelde vragen

Kan ik tekst uit specifieke pagina’s van een PDF halen?

Ja! U kunt deTextFragmentAbsorber om specifieke pagina’s te targeten met behulp van depdfDocument.Pages[pageIndex].Accept(tfa); methode.

Is het mogelijk om tekst uit slechts één kolom te extraheren in een PDF met meerdere kolommen?

Ja, maar u moet met de coördinaten van de tekstfragmenten werken met behulp vanTextFragment.Rectangle om specifieke delen van het document te targeten.

Hoe kan ik de nauwkeurigheid van tekstextractie verbeteren?

Voor een betere nauwkeurigheid, zorg ervoor dat de structuur van de PDF goed gedefinieerd is en vermijd documenten met complexe lay-outs. U kunt ook deTextFragmentAbsorber om tekst te extraheren op basis van lettertypen, -groottes of -regio’s.

Ondersteunt Aspose.PDF het extraheren van tekst uit gescande documenten?

Ja, maar je moet OCR (Optical Character Recognition) technologie gebruiken. Aspose biedt ook tools hiervoor.

Hoe verwerk ik grote PDF-bestanden met duizenden pagina’s?

Bij grote PDF-bestanden kunt u het document in stukken verwerken door tekst van een paar pagina’s tegelijk te extraheren. Zo voorkomt u een hoog geheugengebruik.

Standaard Type 1-lettertypen in PDF-bestand insluiten Alinea's uit PDF-bestand extraheren