從 PDF 文件中的頁面區域提取文本

介紹

使用 PDF 通常需要提取特定內容，無論是從表單、表格或文件的某些部分提取資料。在本教學中，我們將介紹如何使用 Aspose.PDF for .NET 從 PDF 的特定區域提取文字。我們無需篩選整個文檔，而是準確定位文字所在的位置並有效地提取它。

先決條件

在我們開始編寫程式碼之前，請確保您已準備好以下各項：

  1. Aspose.PDF for .NET：如果您尚未下載並安裝 Aspose.PDF for .NET 程式庫，請下載並安裝。下載 .NET 版 Aspose.PDF.
  2. IDE：任何 .NET 開發環境，例如 Visual Studio。
  3. .NET Framework：確保您的專案使用適當的 .NET 框架進行設定。
  4. PDF 文件：我們將從中提取文本的範例 PDF。

別忘了你可以獲得免費試用Aspose.PDF 或使用臨時執照以獲得完整的功能。

導入必要的套件

要開始使用 Aspose.PDF for .NET，您需要將所需的命名空間匯入到您的專案中。這些套件提供了處理 PDF 文件所需的類別和方法。

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

第 1 步：設定文檔目錄並載入 PDF

第一步是指定 PDF 文件所在的位置並將其載入到您的專案中。您可以使用您想要使用的 PDF 檔案的本機目錄路徑。

//文檔目錄的路徑。
string dataDir = "YOUR DOCUMENT DIRECTORY";

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

此步驟可確保 PDF 檔案正確載入並準備好進行處理。這DocumentAspose.PDF 庫中的類別可讓您操作 PDF 檔案。

第 2 步：初始化文字吸收器以進行擷取

在這一步中，我們創建一個TextAbsorber對象，旨在從 PDF 文件中提取文字。這TextAbsorber非常靈活，可以自訂以專注於特定區域或頁面。

//建立一個 TextAbsorber 物件來提取文本
TextAbsorber absorber = new TextAbsorber();

這TextAbsorberclass 是一個強大的工具，可以擷取您指定範圍內的所有文字。

步驟 3：定義從中提取文字的區域

這就是奇蹟發生的地方。我們可以將提取限制在頁面的特定矩形區域，而不是從整個頁面提取文字。當您確切知道內容所在的位置時，這是完美的。

//將文字擷取限製到特定區域
absorber.TextSearchOptions.LimitToPageBounds = true;
absorber.TextSearchOptions.Rectangle = new Aspose.Pdf.Rectangle(100, 200, 250, 350);

這Rectangle物件允許您定義從中提取文字的區域的座標（以點為單位）。這TextSearchOptions.LimitToPageBounds確保僅提取指定矩形內的文字。

第 4 步：在所需頁面上接受吸收器

設定區域後，下一步是接受TextAbsorber對於您要從中提取文字的特定頁面。在這裡，我們將重點放在 PDF 的第一頁。

//接受第一頁的吸收體
pdfDocument.Pages[1].Accept(absorber);

透過致電Accept頁面上的方法，我們指示 Aspose.PDF 運行吸收器並從定義的區域收集文字。

第 5 步：檢索並儲存提取的文本

一旦吸收器完成其工作，就可以收集提取的文字並保存它。此步驟涉及檢索文字並將其寫入.txt文件。

//獲取提取的文本
string extractedText = absorber.Text;

//建立一個 writer 來保存提取的文本
TextWriter tw = new StreamWriter(dataDir + "extracted-text.txt");

//將文字寫入文件
tw.WriteLine(extractedText);

//關閉流
tw.Close();

在這裡，TextWriter類別用於將提取的文字寫入文字檔案。這可確保您提取的內容安全儲存以供以後使用。

結論

從 PDF 文件中的特定區域提取文字非常有用，尤其是在處理表單或表格等結構化內容時。使用Aspose.PDF for .NET，您只需幾行程式碼即可完成此任務。透過定義一個區域，初始化一個TextAbsorber，並保存提取的文本，您可以完全控制從 PDF 中提取的內容。

無論您是處理小型專案還是管理大型文檔，此方法都提供了一種從 PDF 中提取相關資料的有效方法，而無需梳理整個文檔。

常見問題解答

我可以同時從多個頁面中提取文字嗎？

是的，透過迭代Pages的集合pdfDocument，您可以應用TextAbsorber到多個頁面。

如果文字位於 PDF 的不同區域怎麼辦？

您可以輕鬆調整Rectangle座標以匹配文字所在的區域。

這適用於掃描的 PDF 嗎？

不可以，掃描的 PDF 需要 OCR（光學字元辨識）將影像轉換為文字。 Aspose.PDF 也提供 OCR 功能。

有沒有辦法根據特定關鍵字提取文字？

是的，您可以使用TextFragmentAbsorber用於基於關鍵字的文字提取。

如何從加密的 PDF 中提取文字？

您需要先透過提供正確的密碼來解密 PDF，然後繼續提取文字。

提取 PDF 文件中的全部文本 提取 PDF 文件中的文字頁面