Extrahera text med hjälp av textenhet

Denna handledning guidar dig genom processen att extrahera text från ett PDF-dokument med hjälp av textenheten i 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 text, lägg till följande med hjälp av direktiv överst i filen:

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

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 + "input.pdf");

Steg 5: Extrahera text med hjälp av Text Device

Skapa enStringBuilder objekt för att hålla den extraherade texten. Iterera igenom varje sida i dokumentet och använd enTextDevice för att extrahera texten från varje sida.

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);
}

Steg 6: Spara den extraherade texten

Ange utdatafilens sökväg och spara den extraherade texten till en textfil med hjälp avFile.WriteAllText metod.

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

Exempel på källkod för att extrahera text med hjälp av textenhet med Aspose.PDF för .NET

// Sökvägen till dokumentkatalogen.
string dataDir = "YOUR DOCUMENT DIRECTORY";
// Öppna dokumentet
Document pdfDocument = new Document( dataDir + "input.pdf");
System.Text.StringBuilder builder = new System.Text.StringBuilder();
//Sträng för att hålla extraherad text
string extractedText = "";
foreach (Page pdfPage in pdfDocument.Pages)
{
	using (MemoryStream textStream = new MemoryStream())
	{
		// Skapa textenhet
		TextDevice textDevice = new TextDevice();
		// Ställ in textextraktionsalternativ - ställ in textextraktionsläge (Raw eller Pure)
		TextExtractionOptions textExtOptions = new
		TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure);
		textDevice.ExtractionOptions = textExtOptions;
		// Konvertera en viss sida och spara text i strömmen
		textDevice.Process(pdfPage, textStream);
		// Konvertera en viss sida och spara text i strömmen
		textDevice.Process(pdfDocument.Pages[1], textStream);
		// Stäng minnesströmmen
		textStream.Close();
		// Få text från minnesströmmen
		extractedText = Encoding.Unicode.GetString(textStream.ToArray());
	}
	builder.Append(extractedText);
}
dataDir = dataDir + "input_Text_Extracted_out.txt";
// Spara den extraherade texten i en textfil
File.WriteAllText(dataDir, builder.ToString());
Console.WriteLine("\nText extracted successfully using text device from page of PDF Document.\nFile saved at " + dataDir);

Slutsats

Du har extraherat text från ett PDF-dokument med hjälp av textenheten i 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 ger vägledning om hur du extraherar text från ett PDF-dokument med hjälp av funktionen Text Device i Aspose.PDF för .NET. Den medföljande C#-källkoden visar de nödvändiga stegen för att uppnå denna uppgift.

F: Vilka namnområden ska jag importera?

S: I kodfilen där du planerar att extrahera text, inkludera följande med hjälp av direktiv i början av filen:

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

F: Hur anger jag dokumentkatalogen?

S: I koden, hitta raden som sägerstring dataDir = "YOUR DOCUMENT DIRECTORY"; 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: Hur extraherar jag text med hjälp av textenheten?

S: Steg 5 innebär att skapa enStringBuilder objekt för att hålla den extraherade texten. Du går sedan igenom varje sida i dokumentet och använder enTextDevice tillsammans medTextExtractionOptions för att extrahera text från varje sida.

F: Hur sparar jag den extraherade texten till en fil?

S: I steg 6 anger du utdatafilens sökväg och använderFile.WriteAllTextmetod för att spara den extraherade texten till en textfil.

F: Vad är nyckeln till den här handledningen?

S: Genom att följa den här handledningen har du lärt dig hur du använder textenhetsfunktionen i Aspose.PDF för .NET för att extrahera text från ett PDF-dokument. Den extraherade texten har sparats i en specificerad utdatafil, vilket gör att du kan manipulera och använda det extraherade innehållet efter behov.