Extrahera kolumntext i PDF-fil

Denna handledning guidar dig genom processen att extrahera kolumntext i PDF-fil med Aspose.PDF för .NET. Den medföljande C#-källkoden visar de nödvändiga stegen.

Krav

Innan du börjar, se till att du har följande:

• Visual Studio eller någon annan C#-kompilator installerad på din maskin.
• Aspose.PDF för .NET-bibliotek. Du kan ladda ner den från den officiella Aspose-webbplatsen eller använda en pakethanterare som NuGet för att installera den.

Steg 1: Konfigurera projektet

1. Skapa ett nytt C#-projekt i din föredragna utvecklingsmiljö.
2. Lägg till en referens till Aspose.PDF för .NET-biblioteket.

Steg 2: Importera nödvändiga namnrymder

I kodfilen där du vill extrahera kolumntext, lägg till följande med hjälp av direktiv överst i filen:

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

Steg 3: Ställ in dokumentkatalogen

I koden, lokalisera raden som sägerstring dataDir = "YOUR DOCUMENT DIRECTORY"; och byt ut"YOUR DOCUMENT DIRECTORY" med sökvägen till katalogen där dina dokument är lagrade.

Steg 4: Öppna PDF-dokumentet

Öppna ett befintligt PDF-dokument med hjälp avDocumentkonstruktorn och skickar sökvägen till indata-PDF-filen.

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

Steg 5: Justera teckenstorleken

Minska teckensnittsstorleken på textfragmenten med en faktor 0,7 för att förbättra läsbarheten och bättre representera kolumnär text.

TextFragmentAbsorber tfa = new TextFragmentAbsorber();
pdfDocument.Pages.Accept(tfa);
TextFragmentCollection tfc = tfa.TextFragments;
foreach(TextFragment tf in tfc)
{
     tf.TextState.FontSize = tf.TextState.FontSize * 0.7f;
}

Steg 6: Extrahera text från kolumner

Spara det ändrade PDF-dokumentet i en minnesström och ladda om det som ett nytt dokument. Använd sedanTextAbsorber klass för att extrahera text från kolumnerna.

Stream st = new MemoryStream();
pdfDocument.Save(st);
pdfDocument = new Document(st);
TextAbsorber textAbsorber = new TextAbsorber();
pdfDocument.Pages.Accept(textAbsorber);
String extractedText = textAbsorber.Text;
textAbsorber.Visit(pdfDocument);

Steg 7: Spara den extraherade texten

Spara den extraherade texten till en textfil på den angivna sökvägen för utdatafilen.

dataDir = dataDir + "ExtractColumnsText_out.txt";
File.WriteAllText(dataDir, extractedText);
Console.WriteLine("\nColumns text extracted successfully from Pages of PDF Document.\nFile saved at " + dataDir);

Exempel på källkod för Extrahera kolumntext med Aspose.PDF för .NET

// Sökvägen till dokumentkatalogen.
string dataDir = "YOUR DOCUMENT DIRECTORY";
// Öppna dokumentet
Document pdfDocument = new Document(dataDir + "ExtractTextPage.pdf");                
TextFragmentAbsorber tfa = new TextFragmentAbsorber();
pdfDocument.Pages.Accept(tfa);
TextFragmentCollection tfc = tfa.TextFragments;
foreach (TextFragment tf in tfc)
{
	// Måste minska teckensnittsstorleken med minst 70 %
	tf.TextState.FontSize = tf.TextState.FontSize * 0.7f;
}
Stream st = new MemoryStream();
pdfDocument.Save(st);
pdfDocument = new Document(st);
TextAbsorber textAbsorber = new TextAbsorber();
pdfDocument.Pages.Accept(textAbsorber);
String extractedText = textAbsorber.Text;
textAbsorber.Visit(pdfDocument); 
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);

Slutsats

Du har framgångsrikt extraherat kolumntext från ett PDF-dokument med Aspose.PDF för .NET. Den extraherade texten har sparats i den angivna utdatafilen.

FAQ’s

F: Vad är syftet med denna handledning?

S: Denna handledning erbjuder en steg-för-steg-guide för att extrahera kolumner med text från en PDF-fil med Aspose.PDF för .NET. Den medföljande C#-källkoden ger en praktisk demonstration av de nödvändiga procedurerna.

F: Vilka namnområden ska jag importera?

S: I kodfilen där du tänker extrahera textkolumner, inkludera följande med hjälp av direktiv i början av filen:

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

F: Hur anger jag dokumentkatalogen?

S: Lokalisera linjenstring dataDir = "YOUR DOCUMENT DIRECTORY"; i koden och byt ut"YOUR DOCUMENT DIRECTORY" med den faktiska sökvägen till din dokumentkatalog.

F: Hur öppnar jag ett befintligt PDF-dokument?

S: I steg 4 öppnar du ett befintligt PDF-dokument med hjälp avDocument konstruktor och tillhandahåller sökvägen till PDF-inmatningsfilen.

F: Varför justeras teckensnittsstorleken?

S: Steg 5 innebär att teckensnittsstorleken på textfragment minskas med en faktor på 0,7. Denna justering förbättrar läsbarheten och representerar kolumnformad text mer exakt.

F: Hur extraherar jag text från kolumner?

S: Steg 6 består av att spara det modifierade PDF-dokumentet i en minnesström, ladda om det som ett nytt dokument och sedan användaTextAbsorber klass för att extrahera text från kolumnerna.

F: Vad är syftet med att spara den extraherade texten?

S: I steg 7 sparar du den extraherade texten till en textfil på den angivna sökvägen för utdatafilen.

F: Varför minska teckenstorleken innan extrahering?

S: Att minska teckenstorleken hjälper till att säkerställa att den extraherade texten justeras ordentligt i kolumnerna, vilket ger en mer exakt representation av den ursprungliga layouten.

F: Vad är nyckeln till den här handledningen?

S: Genom att följa denna handledning har du skaffat dig de kunskaper och färdigheter som behövs för att extrahera kolumner med text från ett PDF-dokument med Aspose.PDF för .NET. Den resulterande texten har sparats i den angivna utdatafilen.