Wyodrębnij tekst za pomocą urządzenia tekstowego

Wstęp

Wyodrębnianie tekstu z pliku PDF może być trudne, szczególnie w przypadku dokumentów o różnych formatach, osadzonych czcionkach lub złożonych układach. Ale dzięki Aspose.PDF dla .NET ten proces staje się dziecinnie prosty! Niezależnie od tego, czy chcesz przekonwertować strony pliku PDF na zwykły tekst w celu dalszej analizy, czy po prostu potrzebujesz wyodrębnić określone sekcje, Aspose.PDF ma dla Ciebie rozwiązanie. W tym samouczku krok po kroku wyjaśnimy, jak wyodrębnić tekst z pliku PDF przy użyciu klasy TextDevice w Aspose.PDF. Zapewnimy również jasne wyjaśnienia, dzięki czemu z łatwością zastosujesz te same metody w swoich projektach.

Wymagania wstępne

Zanim przejdziemy do kodu, upewnij się, że masz wszystko na miejscu, aby móc to śledzić. Oto, czego będziesz potrzebować:

  1. Aspose.PDF dla .NET: Pobierz najnowszą wersję ze stronyStrona pobierania Aspose.PDF dla .NET.
  2. Środowisko programistyczne: Visual Studio lub inne środowisko programistyczne C#.
  3. .NET Framework: Upewnij się, że Twój projekt jest przeznaczony dla środowiska .NET Framework 4.x lub nowszego.
  4. Plik wejściowy PDF: Plik PDF, którego użyjesz do ekstrakcji tekstu. Umieść go w katalogu na swoim komputerze (będziemy go nazywaćYOUR DOCUMENT DIRECTORY).

Importuj pakiety

Na górze kodu musisz zaimportować niezbędne przestrzenie nazw, aby móc pracować z Aspose.PDF:

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

Krok 1: Załaduj swój dokument PDF

Przed wyodrębnieniem tekstu musimy załadować dokument PDF do pamięci. W tym kroku otworzysz swój plik PDF za pomocą Aspose.PDFDocument class. To umożliwi Ci dostęp do wszystkich stron i treści w pliku.

// Zdefiniuj ścieżkę do swojego dokumentu PDF
string dataDir = "YOUR DOCUMENT DIRECTORY";

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

Tutaj używamyDocument pdfDocument = new Document(dataDir + "input.pdf"); aby załadować plik PDF.dataDir zmienna przechowuje ścieżkę katalogu pliku PDF. To da nam dostęp do całego dokumentu, pozwalając nam na pętlenie przez strony i wyodrębnianie treści.

Krok 2: Skonfiguruj konstruktora ciągów do przechowywania tekstu

Teraz, gdy dokument jest załadowany, potrzebujemy sposobu na przechowywanie wyodrębnionego tekstu. W tym celu użyjemyStringBuilder co pozwala na efektywne łączenie ciągów znaków.

// StringBuilder do przechowywania wyodrębnionego tekstu
StringBuilder builder = new StringBuilder();

InicjujemyStringBuilderinstancji, która będzie zbierać tekst wyodrębniony z każdej strony. Jest to bardziej wydajny sposób obsługi dużych ciągów w porównaniu do zwykłego łączenia ciągów w pętli.

Krok 3: Przejrzyj strony PDF

Następnie przechodzimy przez każdą stronę dokumentu PDF, aby wyodrębnić tekst. Przetworzymy każdą stronę indywidualnie, używającTextDevice Klasa, która odpowiada za konwersję zawartości pliku PDF do formatu tekstowego.

// Przejrzyj wszystkie strony w pliku PDF
foreach (Page pdfPage in pdfDocument.Pages)
{
    // Przetwarzaj każdą stronę pod kątem ekstrakcji tekstu
}

Ta pętla przechodzi przez każdą stronę pliku PDF (pdfDocument.Pages ). Dla każdej strony wyodrębnimy tekst i dodamy go do naszegoStringBuilder.

Krok 4: Wyodrębnij tekst z każdej strony

Teraz skonfigurujemy proces ekstrakcji tekstu dla każdej strony. Tutaj utworzymyTextDevice obiekt i użyj go do przetworzenia stron PDF.TextDevice wyodrębnia surowy lub sformatowany tekst w oparciu o ustawione przez nas opcje wyodrębniania.

using (MemoryStream textStream = new MemoryStream())
{
    // Utwórz urządzenie tekstowe do ekstrakcji tekstu
    TextDevice textDevice = new TextDevice();
    
    // Ustaw opcje ekstrakcji tekstu na tryb „Czysty”
    TextExtractionOptions textExtOptions = new TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure);
    textDevice.ExtractionOptions = textExtOptions;

    //Wyodrębnij tekst z bieżącej strony i zapisz go w strumieniu pamięci
    textDevice.Process(pdfPage, textStream);

    // Konwertuj strumień pamięci na tekst
    string extractedText = Encoding.Unicode.GetString(textStream.ToArray());

    // Dołącz wyodrębniony tekst do StringBuilder
    builder.Append(extractedText);
}
  • TextDevice textDevice = new TextDevice(); :TenTextDevice Klasa służy do wyodrębniania tekstu z pliku PDF.
  • TextExtractionOptions textExtOptions = new TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure); : Ta opcja wyodrębnia surowy tekst bez zachowywania formatowania, takiego jak czcionki lub pozycje. Możesz również użyćTextFormattingMode.Raw jeśli potrzebujesz większej kontroli nad formatowaniem.
  • textDevice.Process(pdfPage, textStream); :Przetwarza każdą stronę pliku PDF i przechowuje wyodrębniony tekst wMemoryStream.
  • Na koniec konwertujemy tekst zMemoryStream do ciągu i dołącz go doStringBuilder.

Krok 5: Zapisz wyodrębniony tekst do pliku

Po przetworzeniu wszystkich stron tekst jest zapisywany wStringBuilderOstatnim krokiem jest zapisanie wyodrębnionego tekstu do pliku.

// Zdefiniuj ścieżkę wyjściową dla pliku tekstowego
dataDir = dataDir + "input_Text_Extracted_out.txt";

// Zapisz wyodrębniony tekst do pliku
File.WriteAllText(dataDir, builder.ToString());

Console.WriteLine("\nText extracted successfully from PDF document.\nFile saved at " + dataDir);
  • File.WriteAllText(dataDir, builder.ToString()); :To zapisuje całą zawartośćStringBuilder do pliku tekstowego.
  • Ścieżka do pliku wyjściowego jest ustawiana poprzez dodanie nazwy pliku ("input_Text_Extracted_out.txt" ) dodataDir ścieżka.

Wniosek

Wyodrębnianie tekstu z pliku PDF przy użyciu Aspose.PDF dla .NET to prosty i wydajny proces. Postępując zgodnie z krokami opisanymi w tym przewodniku, możesz łatwo otwierać dokumenty PDF, przechodzić przez strony i wyodrębniać tekst do pliku tekstowego. Jest to szczególnie przydatne do przetwarzania dużych ilości danych PDF, wykonywania analizy tekstu lub konwertowania dokumentów w celu dalszej manipulacji.

Dzięki Aspose.PDF nie jesteś ograniczony do ekstrakcji tekstu — możesz obsługiwać adnotacje, manipulować obrazami, a nawet konwertować pliki PDF do innych formatów, takich jak HTML lub Word. Elastyczność i moc tej biblioteki sprawiają, że jest ona nieocenionym narzędziem do zarządzania plikami PDF w aplikacjach .NET.

Najczęściej zadawane pytania

Czy Aspose.PDF może wyodrębnić tekst z plików PDF zawierających obrazy?

Nie, Aspose.PDF jest przeznaczony do wyodrębniania tekstu z plików PDF opartych na treści. W przypadku plików PDF opartych na obrazach wymagana jest technologia OCR.

Czy Aspose.PDF zachowuje formatowanie podczas wyodrębniania tekstu?

Domyślnie tekst jest wyodrębniany bez formatowania, ale możesz dostosować opcje wyodrębniania, jeśli wolisz zachować formatowanie.

Czy mogę wyodrębnić tekst z określonego zakresu stron?

Tak, możesz zmodyfikować kod, aby pętla obejmowała określony zakres stron, a nie wszystkie strony.

Jakie są tryby wyodrębniania tekstu w pliku Aspose.PDF?

Aspose.PDF oferuje dwa tryby: Raw i Pure. Tryb Raw próbuje zachować oryginalny układ, podczas gdy tryb Pure wyodrębnia tylko tekst bez formatowania.

Czy Aspose.PDF dla .NET jest zgodny z .NET Core?

Tak, Aspose.PDF dla .NET jest w pełni kompatybilny z .NET Core i .NET Framework.

Wyodrębnij stronę tekstową w pliku PDF Dynamicznie uzyskaj szerokość tekstu