在 PDF 檔案中搜尋正規表示式

介紹

在處理大型 PDF 文件時，您可能會發現自己正在搜尋特定的模式或格式，例如日期、電話號碼或其他結構化資料。手動瀏覽 PDF 可能很乏味，對嗎？這就是使用正規表示式 (regex) 派上用場的地方。在本教學中，我們將探討如何使用 Aspose.PDF for .NET 在 PDF 檔案中搜尋正規表示式模式。本指南將引導您完成每個步驟，以便您可以在 .NET 應用程式中輕鬆實現它。

先決條件

在我們深入了解逐步教學之前，讓我們先回顧一下您需要具備的條件：

Aspose.PDF for .NET：您需要安裝此程式庫。如果您還沒有安裝，您可以在這裡下載.
IDE：Visual Studio 或任何其他 C# 相容 IDE。
.NET Framework：確保您的專案設定了適當版本的 .NET Framework。
C# 的基本知識：雖然本指南很詳細，但對 C# 的基本了解將會有所幫助。

導入包

首先，您需要將必要的命名空間從 Aspose.PDF for .NET 匯入到您的專案中。這些套件對於處理 PDF 和使用正規表示式執行搜尋操作至關重要。

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

讓我們將使用 Aspose.PDF 在 PDF 檔案中搜尋正規表示式的過程分解為多個步驟。

第 1 步：設定文檔目錄

每個 PDF 操作都從指定文件所在的位置開始。您需要定義 PDF 文件的路徑，該文件儲存在dataDir多變的。

步驟 1.1：定義文檔路徑

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

代替"YOUR DOCUMENT DIRECTORY"與 PDF 檔案的實際路徑。此步驟至關重要，因為它將您的程式碼指向您要使用的檔案。

步驟1.2：開啟PDF文檔

接下來，您需要使用以下命令開啟 PDF 文檔Document來自 Aspose.PDF 的類別。

//開啟文件
Document pdfDocument = new Document(dataDir + "SearchRegularExpressionAll.pdf");

這裡，"SearchRegularExpressionAll.pdf"是我們將在其中執行正規表示式搜尋的範例 PDF 檔案。

步驟2：設定TextFragmentAbsorber

這就是魔法發生的地方！這TextFragmentAbsorber類別有助於捕獲與特定模式或正規表示式相符的文字片段。

讓我們設定吸收器以使用正規表示式查找模式。在本例中，我們正在搜尋諸如「1999-2000」之類的年份模式。

//建立 TextAbsorber 物件以尋找與正規表示式相符的所有短語
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("\\d{4}-\\d{4}"); //如1999-2000年

正規表示式\\d{4}-\\d{4}找出四位數字後面跟著連字符和另外四位數字的模式，這是年份範圍的典型模式。

第 3 步：啟用正規表示式搜尋

為了確保搜尋操作將模式解釋為正規表示式，您需要使用以下命令配置搜尋選項TextSearchOptions班級。

//設定文字搜尋選項以指定正規表示式的用法
TextSearchOptions textSearchOptions = new TextSearchOptions(true);
textFragmentAbsorber.TextSearchOptions = textSearchOptions;

設定TextSearchOptions到true確保吸收器使用基於正規表示式的搜尋而不是純文字。

第 4 步：接受文字吸收器

在此階段，您將文字吸收器套用到 PDF 文檔，以便它可以執行搜尋操作。這是透過呼叫來完成的Accept方法上的PagesPDF 文件的對象。

//接受所有頁面的吸收器
pdfDocument.Pages.Accept(textFragmentAbsorber);

此命令處理 PDF 的所有頁面，尋找與正規表示式相符的任何文字。

第 5 步：提取並顯示結果

搜尋完成後，您需要提取結果。這TextFragmentAbsorber將這些結果儲存在TextFragmentCollection。您可以循環訪問此集合以存取和顯示每個匹配的文字片段。

步驟5.1：檢索擷取的文字片段

//取得擷取的文字片段
TextFragmentCollection textFragmentCollection = textFragmentAbsorber.TextFragments;

現在您已經收集了片段，是時候循環遍歷它們並顯示相關詳細信息，例如文字、位置、字體詳細資訊等。

步驟 5.2：循環片段

//循環遍歷片段
foreach (TextFragment textFragment in textFragmentCollection)
{
    Console.WriteLine("Text : {0} ", textFragment.Text);
    Console.WriteLine("Position : {0} ", textFragment.Position);
    Console.WriteLine("XIndent : {0} ", textFragment.Position.XIndent);
    Console.WriteLine("YIndent : {0} ", textFragment.Position.YIndent);
    Console.WriteLine("Font - Name : {0}", textFragment.TextState.Font.FontName);
    Console.WriteLine("Font - IsAccessible : {0} ", textFragment.TextState.Font.IsAccessible);
    Console.WriteLine("Font - IsEmbedded : {0} ", textFragment.TextState.Font.IsEmbedded);
    Console.WriteLine("Font - IsSubset : {0} ", textFragment.TextState.Font.IsSubset);
    Console.WriteLine("Font Size : {0} ", textFragment.TextState.FontSize);
    Console.WriteLine("Foreground Color : {0} ", textFragment.TextState.ForegroundColor);
}

對於每個TextFragment，列印出字體大小、字體名稱和位置等詳細資訊。這不僅有助於查找文本，還可以為您提供準確的格式和位置。

結論

給你了！使用正規表示式在 PDF 檔案中搜尋模式非常強大，尤其是對於日期、電話號碼和類似模式等結構化文字。 Aspose.PDF for .NET 提供了一種無縫的方式來輕鬆執行此類操作。現在，您可以利用正規表示式的強大功能來自動執行 PDF 文字搜索，從而使您的工作流程更有效率。

常見問題解答

我可以在一份 PDF 中搜尋多個圖案嗎？

是的，您可以運行多個TextFragmentAbsorber同一 PDF 中的對象，每個對像都有不同的正規表示式模式。

Aspose.PDF是否支援搜尋不區分大小寫的模式？

絕對地！您可以配置TextSearchOptions使搜尋不區分大小寫。

我可以搜尋的 PDF 大小有限制嗎？

沒有嚴格的限制，但效能可能會有所不同，具體取決於 PDF 的大小和正規表示式模式的複雜性。

我可以在 PDF 中突出顯示找到的文字嗎？

是的，Aspose.PDF 允許您在使用吸收器找到文字後突出顯示甚至替換文字。

如果未找到模式，如何處理錯誤？

如果沒有找到匹配項，則TextFragmentCollection將是空的。您可以在循環結果之前透過簡單的檢查來處理這種情況。

搜尋並取得 PDF 文件中的文字頁面搜尋文字並添加超鏈接