Extrair texto usando dispositivo de texto

Introdução

Extrair texto de um PDF pode ser complicado, especialmente ao lidar com documentos que têm vários formatos, fontes incorporadas ou layouts complexos. Mas com o Aspose.PDF para .NET, esse processo se torna moleza! Quer você queira converter páginas de um PDF em texto simples para análise posterior ou simplesmente precise extrair seções específicas, o Aspose.PDF tem tudo o que você precisa. Neste tutorial, detalharemos passo a passo como extrair texto de um PDF usando a classe TextDevice no Aspose.PDF. Também forneceremos explicações claras para que você possa aplicar os mesmos métodos aos seus próprios projetos com facilidade.

Pré-requisitos

Antes de pularmos para o código, certifique-se de que você tem tudo pronto para seguir adiante. Aqui está o que você vai precisar:

  1. Aspose.PDF para .NET: Baixe a versão mais recente doPágina de download do Aspose.PDF para .NET.
  2. Ambiente de desenvolvimento: Visual Studio ou qualquer outro ambiente de desenvolvimento C#.
  3. .NET Framework: certifique-se de que seu projeto tenha como alvo o .NET Framework 4.x ou superior.
  4. Arquivo PDF de entrada: Um arquivo PDF que você usará para extração de texto. Coloque-o em um diretório em sua máquina (vamos nos referir a isso comoYOUR DOCUMENT DIRECTORY).

Pacotes de importação

No topo do seu código, você precisará importar os namespaces necessários para trabalhar com Aspose.PDF:

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

Etapa 1: carregue seu documento PDF

Antes de extrair o texto, precisamos carregar o documento PDF na memória. Nesta etapa, você abrirá seu PDF usando o Aspose.PDF’sDocument class. Isso permitirá que você acesse todas as páginas e conteúdo dentro do arquivo.

// Defina o caminho para o seu documento PDF
string dataDir = "YOUR DOCUMENT DIRECTORY";

// Carregue o documento PDF
Document pdfDocument = new Document(dataDir + "input.pdf");

Aqui, estamos usandoDocument pdfDocument = new Document(dataDir + "input.pdf"); para carregar o PDF. OdataDir variável contém o caminho do diretório do seu arquivo PDF. Isso nos dará acesso ao documento inteiro, permitindo que façamos um loop pelas páginas e extraiamos o conteúdo.

Etapa 2: Configurar um construtor de strings para armazenamento de texto

Agora que o documento está carregado, precisamos de uma maneira de armazenar o texto extraído. Para isso, usaremos umStringBuilder que permite uma concatenação eficiente de strings.

// StringBuilder para armazenar o texto extraído
StringBuilder builder = new StringBuilder();

Inicializamos umStringBuilderinstância, que coletará texto extraído de cada página. É uma maneira mais eficiente de lidar com strings grandes em comparação à concatenação regular de strings em um loop.

Etapa 3: Percorrer as páginas do PDF

Em seguida, percorremos cada página do documento PDF para extrair o texto. Processaremos cada página individualmente usando oTextDevice classe, que é responsável por converter o conteúdo do PDF para o formato de texto.

// Percorrer todas as páginas do PDF
foreach (Page pdfPage in pdfDocument.Pages)
{
    // Processe cada página para extração de texto
}

Este loop percorre todas as páginas do PDF (pdfDocument.Pages ). Para cada página, extrairemos o texto e o adicionaremos ao nossoStringBuilder.

Etapa 4: Extraia o texto de cada página

Agora, configuramos o processo de extração de texto para cada página. Aqui, criaremos umTextDevice objeto e usá-lo para processar as páginas do PDF. OTextDevice extrai texto bruto ou formatado com base nas opções de extração que definimos.

using (MemoryStream textStream = new MemoryStream())
{
    // Crie um dispositivo de texto para extração de texto
    TextDevice textDevice = new TextDevice();
    
    // Defina as opções de extração de texto para o modo 'Puro'
    TextExtractionOptions textExtOptions = new TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure);
    textDevice.ExtractionOptions = textExtOptions;

    //Extraia o texto da página atual e salve-o no fluxo de memória
    textDevice.Process(pdfPage, textStream);

    // Converter fluxo de memória em texto
    string extractedText = Encoding.Unicode.GetString(textStream.ToArray());

    // Anexar o texto extraído ao StringBuilder
    builder.Append(extractedText);
}
  • TextDevice textDevice = new TextDevice(); : OTextDevice A classe é usada para extrair texto do PDF.
  • TextExtractionOptions textExtOptions = new TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure); : Esta opção extrai o texto bruto sem reter nenhuma formatação como fontes ou posições. Você também pode usarTextFormattingMode.Raw se precisar de mais controle sobre a formatação.
  • textDevice.Process(pdfPage, textStream); : Isso processa cada página do PDF e armazena o texto extraído em umMemoryStream.
  • Por fim, convertemos o texto doMemoryStream para uma string e anexá-la aoStringBuilder.

Etapa 5: Salvar o texto extraído em um arquivo

Após o processamento de todas as páginas, o texto é armazenado noStringBuilder. O último passo é salvar o texto extraído em um arquivo.

// Defina o caminho de saída para o arquivo de texto
dataDir = dataDir + "input_Text_Extracted_out.txt";

// Salve o texto extraído em um arquivo
File.WriteAllText(dataDir, builder.ToString());

Console.WriteLine("\nText extracted successfully from PDF document.\nFile saved at " + dataDir);
  • File.WriteAllText(dataDir, builder.ToString()); :Isso escreve todo o conteúdo doStringBuilder em um arquivo de texto.
  • O caminho para o arquivo de saída é definido anexando um nome de arquivo ("input_Text_Extracted_out.txt" ) para odataDir caminho.

Conclusão

Extrair texto de um PDF usando Aspose.PDF para .NET é um processo simples e eficiente. Seguindo as etapas descritas neste guia, você pode facilmente abrir documentos PDF, percorrer páginas e extrair texto em um arquivo de texto. Isso é especialmente útil para processar grandes volumes de dados PDF, executar análise de texto ou converter documentos para manipulação posterior.

Com o Aspose.PDF, você não está limitado à extração de texto — você pode lidar com anotações, manipular imagens ou até mesmo converter PDFs em outros formatos, como HTML ou Word. A flexibilidade e o poder desta biblioteca a tornam uma ferramenta inestimável para gerenciamento de PDF em aplicativos .NET.

Perguntas frequentes

O Aspose.PDF pode extrair texto de PDFs baseados em imagens?

Não, o Aspose.PDF foi criado para extrair texto de PDFs baseados em conteúdo. Para PDFs baseados em imagem, a tecnologia OCR é necessária.

O Aspose.PDF mantém a formatação ao extrair texto?

Por padrão, o texto é extraído sem formatação, mas você pode ajustar as opções de extração se quiser manter alguma formatação.

Posso extrair texto de um intervalo de páginas específico?

Sim, você pode modificar o código para executar um loop em um intervalo específico de páginas em vez de todas as páginas.

Quais são os modos de extração de texto no Aspose.PDF?

O Aspose.PDF fornece dois modos: Raw e Pure. O modo Raw tenta manter o layout original, enquanto o modo Pure extrai apenas o texto sem formatação.

O Aspose.PDF para .NET é compatível com o .NET Core?

Sim, o Aspose.PDF para .NET é totalmente compatível com .NET Core e .NET Framework.

Extrair página de texto em arquivo PDF Obtenha a largura do texto dinamicamente