Wyodrębnij tekst kolumn w pliku PDF

Wstęp

Czy pracujesz z plikami PDF i potrzebujesz wyodrębnić tekst w określonym formacie kolumn? Niezależnie od tego, czy przetwarzasz faktury, raporty czy jakiekolwiek dokumenty strukturalne, dokładne wyodrębnienie tekstu z pliku PDF może być trudnym zadaniem. W tym miejscu Aspose.PDF for .NET wkracza, aby uprościć proces. W tym samouczku przeprowadzimy Cię przez proces łatwego wyodrębniania kolumn tekstu z pliku PDF.

Wymagania wstępne

Zanim zagłębimy się w kod, omówmy podstawowe rzeczy, których będziesz potrzebować:

  • Aspose.PDF dla .NET: Upewnij się, że masz zainstalowaną najnowszą wersję Aspose.PDF dla .NET. Jeśli nie, możeszpobierz tutaj.
  • Środowisko programistyczne: Do pracy z kodem potrzebne będzie środowisko Visual Studio lub inne środowisko programistyczne .NET.
  • Dokument PDF: Przygotuj przykładowy dokument PDF, najlepiej taki, który zawiera kolumny tekstu, ponieważ będziemy wyodrębniać z niego tekst.

Jeśli jeszcze nie zainstalowałeś Aspose.PDF dla .NET, możesz pobraćbezpłatny okres próbny Lubkup licencję aby uzyskać pełne funkcje. Możesz również ubiegać się olicencja tymczasowa jeśli to konieczne.

Importuj przestrzenie nazw

Aby użyć Aspose.PDF dla .NET w swoim projekcie, musisz zaimportować następujące przestrzenie nazw:

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

Przewodnik krok po kroku: Wyodrębnij kolumny tekstu z pliku PDF

Teraz rozbijmy każdą część kodu, aby lepiej zrozumieć, jak on działa. Podążaj za nami krok po kroku, wyjaśniając każdy segment procesu.

Krok 1: Załaduj dokument PDF

Pierwszą rzeczą, którą musisz zrobić, jest załadowanie pliku PDF doDocumentobiekt. W ten sposób Aspose.PDF wchodzi w interakcję z Twoim dokumentem.

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

W tym kroku po prostu definiujemy katalog, w którym przechowywany jest dokument PDF. Zastąp"YOUR DOCUMENT DIRECTORY" ze ścieżką do lokalnego pliku PDF.Document Obiekt ładuje plik PDF do pamięci, umożliwiając jego dalsze przetwarzanie.

Krok 2: Skonfiguruj absorber fragmentów tekstu

Następnie użyjemyTextFragmentAbsorber aby wchłonąć lub przechwycić cały tekst z pliku PDF. Ta klasa absorbera została zaprojektowana w celu wyodrębnienia fragmentów tekstu z określonych obszarów w pliku PDF, co czyni ją idealną do wyodrębniania kolumn tekstu.

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

Tutaj tworzymy instancjęTextFragmentAbsorber i zastosuj go do wszystkich stron pliku PDF za pomocąAccept() . TenTextFragmentCollection przechowuje wyodrębniony tekst, z którego możemy modyfikować lub wyodrębniać tekst według potrzeb.

Krok 3: Dostosuj rozmiar czcionki wyodrębnionego tekstu

Po przechwyceniu fragmentów tekstu możesz chcieć zmniejszyć ich rozmiar czcionki, zwłaszcza gdy oryginalny tekst jest zbyt duży. W tym przykładzie zmniejszamy rozmiar czcionki o 70%.

foreach (TextFragment tf in tfc)
{
    // Zmniejsz rozmiar czcionki o 70%
    tf.TextState.FontSize = tf.TextState.FontSize * 0.7f;
}

Ten kod przechodzi przez każdyTextFragment w kolekcji i zmniejsza rozmiar czcionki o 70%. Dostosowanie rozmiaru czcionki może sprawić, że wyodrębniony tekst będzie łatwiejszy w zarządzaniu, zwłaszcza jeśli formatujesz go do różnych celów.

Krok 4: Zapisz dokument w strumieniu pamięci

Po zmodyfikowaniu tekstu zapisujemy plik PDF do plikuMemoryStream. Pozwala nam to zachować dokument w pamięci do dalszego przetwarzania bez konieczności zapisywania go z powrotem na dysku.

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

Tutaj zapisujemy plik PDF do strumienia pamięci, a następnie ponownie ładujemy dokument. Ta metoda jest przydatna, gdy pracujesz z dużymi plikami i chcesz uniknąć niepotrzebnych operacji dyskowych.

Krok 5: Wyodrębnij cały tekst za pomocą Text Absorber

Teraz, gdy przygotowaliśmy plik PDF, czas wyodrębnić tekst. UżyjemyTextAbsorber aby pobrać cały tekst z dokumentu.

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

Na tym etapieTextAbsorber pochłania cały tekst z pliku PDF, a wyodrębniony tekst jest przechowywany wextractedText string. To tutaj dzieje się magia — Twoje kolumny tekstu są teraz w formacie zwykłego tekstu!

Krok 6: Zapisz wyodrębniony tekst do pliku

Na koniec zapisujemy wyodrębniony tekst w pliku.txt plik w celu łatwego dostępu i dalszego wykorzystania.

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);

Ten kod zapisuje wyodrębniony tekst do nowego.txt plik i zapisuje go w podanym katalogu. Na konsoli wyświetla się komunikat potwierdzający, że proces zakończył się powodzeniem.

Wniosek

I masz! Wyodrębnianie kolumn tekstu z pliku PDF za pomocą Aspose.PDF dla .NET jest łatwiejsze niż myślisz. Za pomocą zaledwie kilku linijek kodu możesz załadować plik PDF, wyodrębnić określony tekst, dostosować formatowanie i zapisać wyniki w pliku tekstowym.

Ta technika jest niezwykle przydatna do przetwarzania ustrukturyzowanych dokumentów, takich jak tabele, raporty lub dowolna treść zorganizowana w kolumnach. Niezależnie od tego, czy potrzebujesz zautomatyzować ekstrakcję danych, czy przetworzyć dokumenty zbiorcze, Aspose.PDF zapewnia narzędzia, aby to się udało wydajnie.

Najczęściej zadawane pytania

Czy mogę wyodrębnić tekst z wybranych stron pliku PDF?

Tak! Możesz modyfikowaćTextFragmentAbsorber aby kierować określone strony za pomocąpdfDocument.Pages[pageIndex].Accept(tfa); metoda.

Czy można wyodrębnić tekst tylko z jednej kolumny w pliku PDF zawierającym wiele kolumn?

Tak, ale będziesz musiał pracować ze współrzędnymi fragmentów tekstu, używającTextFragment.Rectangle aby wskazać konkretne obszary dokumentu.

Jak mogę poprawić dokładność wyodrębniania tekstu?

Aby uzyskać większą dokładność, upewnij się, że struktura pliku PDF jest dobrze zdefiniowana i unikaj dokumentów o skomplikowanych układach. Możesz także dostroićTextFragmentAbsorber aby wyodrębnić tekst w oparciu o styl, rozmiar lub region czcionki.

Czy Aspose.PDF obsługuje wyodrębnianie tekstu z zeskanowanych dokumentów?

Tak, ale będziesz musiał użyć technologii OCR (Optical Character Recognition). Aspose udostępnia również narzędzia do tego celu.

Jak radzić sobie z dużymi plikami PDF zawierającymi tysiące stron?

W przypadku dużych plików PDF przetwarzaj dokument fragmentami, wyodrębniając tekst z kilku stron naraz, aby uniknąć dużego wykorzystania pamięci.

Osadź standardowe czcionki Type 1 w pliku PDF Wyodrębnij akapity w pliku PDF