使用文本設備提取文本

介紹

從 PDF 中提取文字可能很棘手，尤其是在處理具有各種格式、嵌入字體或複雜佈局的文件時。但使用 Aspose.PDF for .NET，這個過程變得輕而易舉！無論您是想將 PDF 頁面轉換為純文字以進行進一步分析，還是僅需要提取特定部分，Aspose.PDF 都能滿足您的需求。在本教學中，我們將逐步詳細介紹如何使用 Aspose.PDF 中的 TextDevice 類別從 PDF 中提取文字。我們還將提供清晰的解釋，以便您可以輕鬆地將相同的方法應用到您自己的專案中。

先決條件

在我們開始編寫程式碼之前，請確保您已準備好可以遵循的所有內容。這是您需要的：

  1. Aspose.PDF for .NET：從以下位置下載最新版本Aspose.PDF for .NET 下載頁面.
  2. 開發環境：Visual Studio 或任何其他 C# 開發環境。
  3. .NET Framework：確保您的專案是針對 .NET Framework 4.x 或更高版本。
  4. 輸入 PDF 檔案：用於文字擷取的 PDF 檔案。將其放在您計算機上的目錄中（我們稱之為YOUR DOCUMENT DIRECTORY）。

導入包

在程式碼頂部，您需要匯入必要的命名空間才能使用 Aspose.PDF：

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

第 1 步：載入您的 PDF 文檔

在提取文字之前，我們需要將 PDF 文件載入到記憶體中。在此步驟中，您將使用 Aspose.PDF 開啟 PDFDocument班級。這將允許您存取文件中的所有頁面和內容。

//定義 PDF 文件的路徑
string dataDir = "YOUR DOCUMENT DIRECTORY";

//載入 PDF 文件
Document pdfDocument = new Document(dataDir + "input.pdf");

在這裡，我們使用的是Document pdfDocument = new Document(dataDir + "input.pdf");加載 PDF。這dataDir變數保存 PDF 檔案的目錄路徑。這將使我們能夠訪問整個文檔，從而允許我們循環瀏覽頁面並提取內容。

第 2 步：設定用於文字儲存的字串產生器

現在文檔已加載，我們需要一種方法來儲存提取的文字。為此，我們將使用StringBuilder這允許有效的字串連接。

// StringBuilder 用於保存提取的文本
StringBuilder builder = new StringBuilder();

我們初始化一個StringBuilder實例，它將收集從每個頁面提取的文字。與循環中的常規字串連接相比，這是處理大字串的更有效方法。

步驟 3： 循環瀏覽 PDF 頁面

接下來，我們循環遍歷 PDF 文件的每一頁來提取文字。我們將使用以下方法單獨處理每個頁面TextDevice類，負責將PDF內容轉換為文字格式。

//循環瀏覽 PDF 中的所有頁面
foreach (Page pdfPage in pdfDocument.Pages)
{
    //處理每個頁面以進行文字擷取
}

此循環遍歷 PDF 的每一頁（pdfDocument.Pages ）。對於每個頁面，我們將提取文字並將其添加到我們的StringBuilder.

第 4 步：從每個頁面中提取文本

現在，我們為每個頁面設定文字擷取過程。在這裡，我們將創建一個TextDevice物件並使用它來處理 PDF 頁面。這TextDevice根據我們設定的提取選項提取原始或格式化文字。

using (MemoryStream textStream = new MemoryStream())
{
    //建立用於文字擷取的文字設備
    TextDevice textDevice = new TextDevice();
    
    //將文字擷取選項設定為“純”模式
    TextExtractionOptions textExtOptions = new TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure);
    textDevice.ExtractionOptions = textExtOptions;

    //從當前頁面中提取文字並將其儲存到記憶體流中
    textDevice.Process(pdfPage, textStream);

    //將記憶體流轉換為文字
    string extractedText = Encoding.Unicode.GetString(textStream.ToArray());

    //將提取的文字附加到 StringBuilder
    builder.Append(extractedText);
}
  • TextDevice textDevice = new TextDevice(); ： 這TextDevice類別用於從 PDF 中提取文字。
  • TextExtractionOptions textExtOptions = new TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure); ：此選項提取原始文本，而不保留任何格式（例如字體或位置）。您也可以使用TextFormattingMode.Raw如果您需要對格式進行更多控制。
  • textDevice.Process(pdfPage, textStream); ：處理 PDF 的每一頁並將提取的文字儲存在MemoryStream.
  • 最後，我們將文本從MemoryStream到一個字串並將其附加到StringBuilder.

第 5 步：將提取的文字儲存到文件中

處理完所有頁面後，文字將儲存在StringBuilder。最後一步是將提取的文字儲存到文件中。

//定義文字檔案的輸出路徑
dataDir = dataDir + "input_Text_Extracted_out.txt";

//將提取的文字儲存到文件中
File.WriteAllText(dataDir, builder.ToString());

Console.WriteLine("\nText extracted successfully from PDF document.\nFile saved at " + dataDir);
  • File.WriteAllText(dataDir, builder.ToString());：這寫了全部內容StringBuilder到一個文字檔。
  • 輸出檔案的路徑是透過附加檔案名稱（"input_Text_Extracted_out.txt" ）到dataDir小路。

結論

使用 Aspose.PDF for .NET 從 PDF 中提取文字是一個簡單而有效率的過程。透過遵循本指南中概述的步驟，您可以輕鬆開啟 PDF 文件、循環瀏覽頁面以及將文字提取到文字檔案中。這對於處理大量 PDF 資料、執行文字分析或轉換文件以進行進一步操作特別有用。

使用 Aspose.PDF，您不僅可以提取文本，還可以處理註釋、操作圖像，甚至可以將 PDF 轉換為其他格式，例如 HTML 或 Word。該程式庫的靈活性和強大功能使其成為 .NET 應用程式中 PDF 管理的寶貴工具。

常見問題解答

Aspose.PDF 可以從基於圖像的 PDF 中提取文字嗎？

不，Aspose.PDF 旨在從基於內容的 PDF 中提取文字。對於基於影像的 PDF，需要 OCR 技術。

擷取文字時Aspose.PDF 是否保留格式？

預設情況下，提取文字時不帶格式，但如果您想保留某些格式，可以調整提取選項。

我可以從特定頁面範圍中提取文字嗎？

是的，您可以修改程式碼以循環特定範圍的頁面而不是所有頁面。

Aspose.PDF中有哪些文字擷取模式？

Aspose.PDF提供兩種模式：Raw和Pure。原始模式嘗試保留原始佈局，而純模式僅提取文字而不格式化。

Aspose.PDF for .NET 與 .NET Core 相容嗎？

是的，Aspose.PDF for .NET 與 .NET Core 和 .NET Framework 完全相容。

提取 PDF 文件中的文字頁面 動態取得文字寬度