แยกข้อความจากพื้นที่หน้าในไฟล์ PDF

การแนะนำ

การทำงานกับ PDF มักต้องแยกเนื้อหาเฉพาะ ไม่ว่าจะเป็นการดึงข้อมูลจากแบบฟอร์ม ตาราง หรือส่วนใดส่วนหนึ่งของเอกสาร ในบทช่วยสอนนี้ เราจะแนะนำวิธีแยกข้อความจากส่วนเฉพาะของ PDF โดยใช้ Aspose.PDF สำหรับ .NET แทนที่จะกรองเอกสารทั้งหมด เราจะระบุตำแหน่งที่แน่นอนของข้อความและแยกข้อความอย่างมีประสิทธิภาพ

ข้อกำหนดเบื้องต้น

ก่อนที่เราจะเริ่มต้นเขียนโค้ด โปรดตรวจสอบให้แน่ใจว่าคุณมีสิ่งต่อไปนี้:

  1. Aspose.PDF สำหรับ .NET: หากคุณยังไม่ได้ดาวน์โหลดและติดตั้งไลบรารี Aspose.PDF สำหรับ .NETดาวน์โหลด Aspose.PDF สำหรับ .NET.
  2. IDE: สภาพแวดล้อมการพัฒนา .NET ใดๆ เช่น Visual Studio
  3. .NET Framework: ตรวจสอบให้แน่ใจว่าโครงการของคุณได้รับการตั้งค่าด้วย .NET framework ที่เหมาะสม
  4. เอกสาร PDF: ตัวอย่าง PDF ที่เราจะแยกข้อความออกมา

อย่าลืมว่าคุณสามารถรับการทดลองใช้ฟรี ของ Aspose.PDF หรือใช้ใบอนุญาตชั่วคราว เพื่อการใช้งานที่ครบครัน

การนำเข้าแพ็คเกจที่จำเป็น

หากต้องการเริ่มใช้งาน Aspose.PDF สำหรับ .NET คุณต้องนำเข้าเนมสเปซที่จำเป็นลงในโปรเจ็กต์ของคุณ แพ็กเกจเหล่านี้มีคลาสและวิธีการที่จำเป็นสำหรับการจัดการเอกสาร PDF

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

ขั้นตอนที่ 1: ตั้งค่าไดเรกทอรีเอกสารและโหลด PDF

ขั้นตอนแรกคือการระบุว่าไฟล์ PDF ของคุณอยู่ที่ใดและโหลดลงในโปรเจ็กต์ของคุณ คุณสามารถใช้เส้นทางไดเร็กทอรีภายในไปยังไฟล์ PDF ที่คุณต้องการใช้งานได้

// เส้นทางไปยังไดเร็กทอรีเอกสาร
string dataDir = "YOUR DOCUMENT DIRECTORY";

// เปิดเอกสาร PDF
Document pdfDocument = new Document(dataDir + "ExtractTextAll.pdf");

ขั้นตอนนี้จะช่วยให้แน่ใจว่าไฟล์ PDF ถูกโหลดอย่างถูกต้องและพร้อมที่จะใช้งานDocument คลาสจากไลบรารี Aspose.PDF ช่วยให้คุณสามารถจัดการไฟล์ PDF ได้

ขั้นตอนที่ 2: เริ่มต้น Text Absorber สำหรับการแยกข้อมูล

ในขั้นตอนนี้เราจะสร้างTextAbsorber วัตถุซึ่งออกแบบมาเพื่อแยกข้อความจากเอกสาร PDFTextAbsorber มีความยืดหยุ่นและสามารถปรับแต่งเพื่อเน้นเฉพาะภูมิภาคหรือหน้าเฉพาะได้

// สร้างวัตถุ TextAbsorber เพื่อแยกข้อความ
TextAbsorber absorber = new TextAbsorber();

การTextAbsorberคลาสเป็นเครื่องมืออันทรงพลังที่เก็บข้อความทั้งหมดภายในขอบเขตที่คุณระบุ

ขั้นตอนที่ 3: กำหนดภูมิภาคที่จะแยกข้อความ

นี่คือจุดที่ความมหัศจรรย์เกิดขึ้น แทนที่จะดึงข้อความจากทั้งหน้า เราสามารถจำกัดการแยกข้อความให้เหลือเฉพาะบริเวณสี่เหลี่ยมผืนผ้าเฉพาะบนหน้าได้ ซึ่งเหมาะมากเมื่อคุณทราบตำแหน่งที่แน่นอนของเนื้อหาของคุณ

// จำกัดการแยกข้อความให้เฉพาะบางพื้นที่
absorber.TextSearchOptions.LimitToPageBounds = true;
absorber.TextSearchOptions.Rectangle = new Aspose.Pdf.Rectangle(100, 200, 250, 350);

การRectangle วัตถุช่วยให้คุณกำหนดพิกัด (เป็นจุด) ของพื้นที่ที่จะแยกข้อความออกมาTextSearchOptions.LimitToPageBounds รับประกันว่าจะมีการแยกเฉพาะข้อความภายในสี่เหลี่ยมที่ระบุเท่านั้น

ขั้นตอนที่ 4: ยอมรับ Absorber บนหน้าที่ต้องการ

หลังจากตั้งค่าภูมิภาคแล้ว ขั้นตอนต่อไปคือการยอมรับTextAbsorber สำหรับหน้าเฉพาะที่คุณต้องการแยกข้อความออกมา ที่นี่เราจะเน้นที่หน้าแรกของ PDF

// รับตัวดูดซับสำหรับหน้าแรก
pdfDocument.Pages[1].Accept(absorber);

โดยการโทรหาAccept วิธีการบนหน้านี้ เราสั่งให้ Aspose.PDF รันตัวดูดซับและรวบรวมข้อความจากภูมิภาคที่กำหนด

ขั้นตอนที่ 5: ดึงข้อมูลและจัดเก็บข้อความที่แยกออกมา

เมื่อตัวดูดซับทำงานเสร็จแล้ว ก็ถึงเวลาที่จะรวบรวมข้อความที่แยกออกมาและบันทึก ขั้นตอนนี้เกี่ยวข้องกับการดึงข้อความและเขียนลงใน.txt ไฟล์.

// รับข้อความที่แยกออกมา
string extractedText = absorber.Text;

// สร้างโปรแกรมเขียนเพื่อบันทึกข้อความที่แยกออกมา
TextWriter tw = new StreamWriter(dataDir + "extracted-text.txt");

// เขียนข้อความลงในไฟล์
tw.WriteLine(extractedText);

// ปิดลำธาร
tw.Close();

ที่นี่TextWriter คลาสนี้ใช้ในการเขียนข้อความที่แยกออกมาลงในไฟล์ข้อความ ซึ่งช่วยให้มั่นใจได้ว่าเนื้อหาที่แยกออกมาจะถูกเก็บไว้อย่างปลอดภัยสำหรับการใช้งานในภายหลัง

บทสรุป

การแยกข้อความจากพื้นที่เฉพาะภายในเอกสาร PDF อาจเป็นประโยชน์อย่างยิ่ง โดยเฉพาะเมื่อต้องจัดการกับเนื้อหาที่มีโครงสร้าง เช่น แบบฟอร์มหรือตาราง การใช้ Aspose.PDF สำหรับ .NET ช่วยให้คุณทำงานนี้สำเร็จได้ด้วยโค้ดเพียงไม่กี่บรรทัด ด้วยการกำหนดพื้นที่ การเริ่มต้นใช้งานTextAbsorberและการบันทึกข้อความที่แยกออกมา คุณสามารถควบคุมสิ่งที่ดึงออกมาจาก PDF ได้อย่างเต็มที่

ไม่ว่าคุณจะทำงานในโปรเจ็กต์เล็กๆ หรือจัดการเอกสารขนาดใหญ่ วิธีนี้ก็เป็นวิธีที่มีประสิทธิภาพในการดึงข้อมูลที่เกี่ยวข้องจาก PDF ของคุณโดยไม่ต้องค้นหาทั่วทั้งเอกสาร

คำถามที่พบบ่อย

ฉันสามารถดึงข้อความจากหลายหน้าในครั้งเดียวได้ไหม?

ใช่ โดยการวนซ้ำผ่านPages การรวบรวมของpdfDocument คุณสามารถนำไปใช้ได้TextAbsorber ไปเป็นหลายหน้า

จะเกิดอะไรขึ้นถ้าข้อความอยู่ในพื้นที่ที่แตกต่างกันของ PDF?

คุณสามารถปรับเปลี่ยนได้อย่างง่ายดายRectangle พิกัดเพื่อให้ตรงกับภูมิภาคที่ข้อความของคุณตั้งอยู่

วิธีนี้ใช้กับไฟล์ PDF ที่สแกนได้หรือไม่

ไม่ PDF ที่สแกนต้องใช้ OCR (Optical Character Recognition) เพื่อแปลงรูปภาพเป็นข้อความ Aspose.PDF ยังมีฟีเจอร์ OCR อีกด้วย

มีวิธีแยกข้อความตามคำสำคัญที่เจาะจงหรือไม่

ใช่คุณสามารถใช้TextFragmentAbsorber สำหรับการแยกข้อความตามคำสำคัญ

ฉันจะแยกข้อความจาก PDF ที่เข้ารหัสได้อย่างไร

คุณต้องถอดรหัส PDF ก่อนโดยระบุรหัสผ่านที่ถูกต้อง จากนั้นดำเนินการแยกข้อความต่อไป

แยกข้อความทั้งหมดลงในไฟล์ PDF แยกหน้าข้อความในไฟล์ PDF