Extrair texto de colunas em arquivo PDF

Introdução

Você está trabalhando com arquivos PDF e precisa extrair texto em um formato de coluna específico? Não importa se você está processando faturas, relatórios ou quaisquer documentos estruturados, extrair texto com precisão de um PDF pode ser um negócio complicado. É aqui que o Aspose.PDF para .NET entra para simplificar o processo. Neste tutorial, mostraremos como extrair colunas de texto de um arquivo PDF com facilidade.

Pré-requisitos

Antes de mergulhar no código, vamos abordar os pontos essenciais que você precisará:

  • Aspose.PDF para .NET: Certifique-se de ter a versão mais recente do Aspose.PDF para .NET instalada. Se não, você podebaixe aqui.
  • Ambiente de desenvolvimento: você precisará do Visual Studio ou outro ambiente de desenvolvimento .NET para trabalhar com o código.
  • Documento PDF: tenha um documento PDF de exemplo em mãos, de preferência um com colunas de texto, pois extrairemos texto dele.

Se você ainda não instalou o Aspose.PDF para .NET, você pode obter umteste gratuito oucomprar uma licença para recursos completos. Você também pode solicitar umlicença temporária se necessário.

Importar namespaces

Para usar o Aspose.PDF para .NET em seu projeto, você precisará importar os seguintes namespaces:

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

Guia passo a passo: Extraia colunas de texto de um PDF

Agora, vamos decompor cada parte do código para entender melhor como ele funciona. Acompanhe enquanto avançamos passo a passo, explicando cada segmento do processo.

Etapa 1: Carregue o documento PDF

A primeira coisa que você precisa fazer é carregar seu arquivo PDF noDocumentobjeto. É assim que o Aspose.PDF interage com seu documento.

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

Nesta etapa, estamos simplesmente definindo o diretório onde seu documento PDF está armazenado. Substituir"YOUR DOCUMENT DIRECTORY" com o caminho para o seu arquivo PDF local. ODocument O objeto carrega o PDF na memória, tornando-o acessível para processamento posterior.

Etapa 2: Configurar o Absorvedor de Fragmentos de Texto

Em seguida, usaremos umTextFragmentAbsorber para absorver ou capturar todo o texto do arquivo PDF. Esta classe absorber é projetada para extrair fragmentos de texto de áreas específicas em seu PDF, o que a torna ideal para extrair colunas de texto.

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

Aqui, criamos uma instância deTextFragmentAbsorber e aplicá-lo a todas as páginas do PDF usandoAccept() . OTextFragmentCollection armazena o texto extraído e, a partir dessa coleção, podemos manipular ou extrair texto conforme necessário.

Etapa 3: ajuste o tamanho da fonte do texto extraído

Depois de capturar os fragmentos de texto, você pode querer reduzir o tamanho da fonte, especialmente quando o texto original for muito grande. Neste exemplo, estamos reduzindo o tamanho da fonte em 70%.

foreach (TextFragment tf in tfc)
{
    // Reduza o tamanho da fonte em 70%
    tf.TextState.FontSize = tf.TextState.FontSize * 0.7f;
}

Este código percorre cadaTextFragment na coleção e reduz o tamanho da fonte em 70%. Ajustar o tamanho da fonte pode tornar o texto extraído mais fácil de gerenciar, especialmente se você estiver formatando-o para propósitos diferentes.

Etapa 4: Salve o documento em um fluxo de memória

Após modificar o texto, salvamos o PDF em umMemoryStream. Isso nos permite manter o documento na memória para processamento posterior sem precisar gravá-lo novamente no disco.

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

Aqui, salvamos o PDF em um fluxo de memória e então recarregamos o documento. Este método é útil quando você está trabalhando com arquivos grandes e quer evitar operações de disco desnecessárias.

Etapa 5: Extraia todo o texto usando o Text Absorber

Agora que preparamos o PDF, é hora de extrair o texto. UsaremosTextAbsorber para pegar todo o texto do documento.

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

Nesta etapa, oTextAbsorber absorve todo o texto do PDF e o texto extraído é armazenado noextractedText string. É aqui que a mágica acontece — suas colunas de texto agora estão em formato de texto simples!

Etapa 6: Salve o texto extraído em um arquivo

Por fim, salvamos o texto extraído em um.txt arquivo para fácil acesso e uso posterior.

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);

Este código escreve o texto extraído em um novo.txt arquivo e salva-o no diretório especificado. Uma mensagem é exibida no console para confirmar que o processo foi bem-sucedido.

Conclusão

Aí está! Extrair colunas de texto de um arquivo PDF usando o Aspose.PDF para .NET é mais fácil do que você imagina. Com apenas algumas linhas de código, você pode carregar um PDF, extrair texto específico, ajustar a formatação e salvar os resultados em um arquivo de texto.

Essa técnica é incrivelmente útil para processar documentos estruturados como tabelas, relatórios ou qualquer conteúdo organizado em colunas. Se você precisa automatizar a extração de dados ou processar documentos em massa, o Aspose.PDF fornece as ferramentas para fazer isso acontecer de forma eficiente.

Perguntas frequentes

Posso extrair texto de páginas específicas de um PDF?

Sim! Você pode modificar oTextFragmentAbsorber para direcionar páginas específicas usando opdfDocument.Pages[pageIndex].Accept(tfa); método.

É possível extrair texto de apenas uma coluna em um PDF com várias colunas?

Sim, mas você precisará trabalhar com as coordenadas dos fragmentos de texto usandoTextFragment.Rectangle para atingir áreas específicas do documento.

Como posso melhorar a precisão da extração de texto?

Para melhor precisão, garanta que a estrutura do PDF esteja bem definida e evite documentos com layouts complexos. Você também pode ajustar oTextFragmentAbsorber para extrair texto com base em estilos de fonte, tamanhos ou regiões.

O Aspose.PDF suporta extração de texto de documentos digitalizados?

Sim, mas você precisará usar a tecnologia OCR (Optical Character Recognition). O Aspose também fornece ferramentas para isso.

Como lidar com arquivos PDF grandes com milhares de páginas?

Para PDFs grandes, processe o documento em partes, extraindo o texto de algumas páginas por vez para evitar alto uso de memória.

Incorporar fontes padrão tipo 1 em arquivo PDF Extrair parágrafos em arquivo PDF