Извлечение текста с помощью текстового устройства

Это руководство проведет вас через процесс извлечения текста из PDF-документа с помощью текстового устройства в Aspose.PDF для .NET. Приведенный исходный код C# демонстрирует необходимые шаги.

Требования

Прежде чем начать, убедитесь, что у вас есть следующее:

  • Visual Studio или любой другой компилятор C#, установленный на вашем компьютере.
  • Aspose.PDF для библиотеки .NET. Вы можете скачать его с официального сайта Aspose или использовать для установки менеджер пакетов, например NuGet.

Шаг 1. Настройте проект

  1. Создайте новый проект C# в предпочитаемой вами среде разработки.
  2. Добавьте ссылку на библиотеку Aspose.PDF для .NET.

Шаг 2. Импортируйте необходимые пространства имен.

В файл кода, из которого вы хотите извлечь текст, добавьте следующие директивы в верхней части файла:

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

Шаг 3. Установите каталог документов.

В коде найдите строку с надписьюstring dataDir = "YOUR DOCUMENT DIRECTORY"; и заменить"YOUR DOCUMENT DIRECTORY" с путем к каталогу, в котором хранятся ваши документы.

Шаг 4. Откройте PDF-документ.

Откройте существующий PDF-документ с помощьюDocumentконструктор и передав путь к входному PDF-файлу.

Document pdfDocument = new Document(dataDir + "input.pdf");

Шаг 5. Извлеките текст с помощью текстового устройства

СоздатьStringBuilder объект для хранения извлеченного текста. Перебирайте каждую страницу документа и используйтеTextDevice для извлечения текста с каждой страницы.

StringBuilder builder = new StringBuilder();
string extractedText = "";
foreach(Page pdfPage in pdfDocument.Pages)
{
using (MemoryStream textStream = new MemoryStream())
{
TextDevice textDevice = new TextDevice();
TextExtractionOptions textExtOptions = new TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure);
textDevice.ExtractionOptions = textExtOptions;
textDevice.Process(pdfPage, textStream);
textStream. Close();
extractedText = Encoding.Unicode.GetString(textStream.ToArray());
}
builder. Append(extractedText);
}

Шаг 6: Сохраните извлеченный текст

Укажите путь к выходному файлу и сохраните извлеченный текст в текстовый файл, используя командуFile.WriteAllText метод.

dataDir = dataDir + "input_Text_Extracted_out.txt";
File.WriteAllText(dataDir, builder.ToString());

Пример исходного кода для извлечения текста с помощью текстового устройства с использованием Aspose.PDF для .NET

// Путь к каталогу документов.
string dataDir = "YOUR DOCUMENT DIRECTORY";
// Открыть документ
Document pdfDocument = new Document( dataDir + "input.pdf");
System.Text.StringBuilder builder = new System.Text.StringBuilder();
//Строка для хранения извлеченного текста
string extractedText = "";
foreach (Page pdfPage in pdfDocument.Pages)
{
	using (MemoryStream textStream = new MemoryStream())
	{
		// Создать текстовое устройство
		TextDevice textDevice = new TextDevice();
		// Установить параметры извлечения текста — установить режим извлечения текста (Raw или Pure)
		TextExtractionOptions textExtOptions = new
		TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure);
		textDevice.ExtractionOptions = textExtOptions;
		// Конвертируйте определенную страницу и сохраняйте текст в поток.
		textDevice.Process(pdfPage, textStream);
		// Конвертируйте определенную страницу и сохраняйте текст в поток.
		textDevice.Process(pdfDocument.Pages[1], textStream);
		// Закрыть поток памяти
		textStream.Close();
		// Получить текст из потока памяти
		extractedText = Encoding.Unicode.GetString(textStream.ToArray());
	}
	builder.Append(extractedText);
}
dataDir = dataDir + "input_Text_Extracted_out.txt";
// Сохраните извлеченный текст в текстовый файл
File.WriteAllText(dataDir, builder.ToString());
Console.WriteLine("\nText extracted successfully using text device from page of PDF Document.\nFile saved at " + dataDir);

Заключение

Вы успешно извлекли текст из PDF-документа с помощью текстового устройства в Aspose.PDF для .NET. Извлеченный текст был сохранен в указанный выходной файл.

Часто задаваемые вопросы

Вопрос: Какова цель этого урока?

О: В этом руководстве представлены инструкции по извлечению текста из PDF-документа с использованием функции текстового устройства в Aspose.PDF для .NET. Сопровождающий исходный код C# демонстрирует необходимые шаги для решения этой задачи.

Вопрос: Какие пространства имен мне следует импортировать?

О: В файле кода, из которого вы планируете извлечь текст, включите в начало файла следующие директивы using:

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

Вопрос: Как указать каталог документа?

О: В коде найдите строку, в которой написаноstring dataDir = "YOUR DOCUMENT DIRECTORY"; и заменить"YOUR DOCUMENT DIRECTORY" с фактическим путем к каталогу вашего документа.

Вопрос: Как открыть существующий PDF-документ?

О: На шаге 4 вы откроете существующий PDF-документ, используяDocument конструктор и указав путь к входному PDF-файлу.

Вопрос: Как извлечь текст с помощью текстового устройства?

О: Шаг 5 предполагает созданиеStringBuilder объект для хранения извлеченного текста. Затем вы будете перебирать каждую страницу документа и использоватьTextDevice вместе сTextExtractionOptions для извлечения текста с каждой страницы.

Вопрос: Как сохранить извлеченный текст в файл?

О: На шаге 6 вы укажете путь к выходному файлу и воспользуетесьFile.WriteAllTextметод сохранения извлеченного текста в текстовый файл.

Вопрос: Каков основной вывод из этого урока?

О: Следуя этому руководству, вы узнали, как использовать функцию текстового устройства в Aspose.PDF для .NET для извлечения текста из PDF-документа. Извлеченный текст сохраняется в указанном выходном файле, что позволяет вам манипулировать и использовать извлеченный контент по мере необходимости.

Извлечь текстовую страницу в PDF-файл Динамическое получение ширины текста