使用文本设备提取文本

介绍

从 PDF 中提取文本可能很棘手，尤其是在处理具有各种格式、嵌入字体或复杂布局的文档时。但使用 Aspose.PDF for .NET，这个过程变得轻而易举！无论您是想将 PDF 的页面转换为纯文本以进行进一步分析，还是只需要提取特定部分，Aspose.PDF 都能满足您的需求。在本教程中，我们将逐步介绍如何使用 Aspose.PDF 中的 TextDevice 类从 PDF 中提取文本。我们还将提供清晰的解释，以便您可以轻松地将相同的方法应用于您自己的项目。

先决条件

在我们开始编写代码之前，请确保您已准备好一切。以下是您需要的内容：

  1. Aspose.PDF for .NET: 从下载最新版本Aspose.PDF for .NET 下载页面.
  2. 开发环境：Visual Studio 或任何其他 C# 开发环境。
  3. .NET Framework：确保您的项目针对的是.NET Framework 4.x 或更高版本。
  4. 输入 PDF 文件：用于文本提取的 PDF 文件。将其放在机器上的目录中（我们将其称为YOUR DOCUMENT DIRECTORY）。

导入包

在代码顶部，您需要导入使用 Aspose.PDF 所需的命名空间：

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

步骤 1：加载 PDF 文档

在提取文本之前，我们需要将 PDF 文档加载到内存中。在此步骤中，您将使用 Aspose.PDF 的Document类。这将允许您访问文件内的所有页面和内容。

//定义 PDF 文档的路径
string dataDir = "YOUR DOCUMENT DIRECTORY";

//加载 PDF 文档
Document pdfDocument = new Document(dataDir + "input.pdf");

在这里，我们使用Document pdfDocument = new Document(dataDir + "input.pdf");加载 PDF。dataDir变量保存 PDF 文件的目录路径。这将使我们能够访问整个文档，从而允许我们循环遍历页面并提取内容。

步骤 2：设置用于文本存储的字符串生成器

现在文档已加载，我们需要一种方法来存储提取的文本。为此，我们将使用StringBuilder这使得字符串连接更有效率。

// StringBuilder 用于保存提取的文本
StringBuilder builder = new StringBuilder();

我们初始化一个StringBuilder实例，它将收集从每个页面提取的文本。与循环中的常规字符串连接相比，这是一种处理大字符串的更有效的方法。

步骤 3：循环遍历 PDF 页面

接下来，我们循环遍历 PDF 文档的每一页以提取文本。我们将使用TextDevice类，负责将PDF内容转换为文本格式。

//循环遍历 PDF 中的所有页面
foreach (Page pdfPage in pdfDocument.Pages)
{
    //处理每个页面以提取文本
}

此循环遍历 PDF 的每一页（pdfDocument.Pages ）对于每个页面，我们将提取文本并将其添加到我们的StringBuilder.

步骤 4：从每个页面提取文本

现在，我们为每个页面设置文本提取过程。在这里，我们将创建一个TextDevice对象并用它来处理 PDF 页面。TextDevice根据我们设置的提取选项提取原始或格式化的文本。

using (MemoryStream textStream = new MemoryStream())
{
    //创建用于文本提取的文本设备
    TextDevice textDevice = new TextDevice();
    
    //将文本提取选项设置为“纯”模式
    TextExtractionOptions textExtOptions = new TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure);
    textDevice.ExtractionOptions = textExtOptions;

    //从当前页面中提取文本并保存到内存流中
    textDevice.Process(pdfPage, textStream);

    //将内存流转换为文本
    string extractedText = Encoding.Unicode.GetString(textStream.ToArray());

    //将提取的文本附加到 StringBuilder
    builder.Append(extractedText);
}
  • TextDevice textDevice = new TextDevice(); ： 这TextDevice类用于从 PDF 中提取文本。
  • TextExtractionOptions textExtOptions = new TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure); ：此选项提取原始文本而不保留任何格式（如字体或位置）。您还可以使用TextFormattingMode.Raw如果您需要对格式进行更多的控制。
  • textDevice.Process(pdfPage, textStream); ：这将处理 PDF 的每一页并将提取的文本存储在MemoryStream.
  • 最后，我们将文本从MemoryStream添加到字符串并将其附加到StringBuilder.

步骤 5：将提取的文本保存到文件

处理完所有页面后，文本将存储在StringBuilder。最后一步是将提取的文本保存到文件中。

//定义文本文件的输出路径
dataDir = dataDir + "input_Text_Extracted_out.txt";

//将提取的文本保存到文件
File.WriteAllText(dataDir, builder.ToString());

Console.WriteLine("\nText extracted successfully from PDF document.\nFile saved at " + dataDir);
  • File.WriteAllText(dataDir, builder.ToString());：这将写入StringBuilder保存到文本文件中。
  • 输出文件的路径是通过在文件名后面附加一个 ("input_Text_Extracted_out.txt" ）到dataDir小路。

结论

使用 Aspose.PDF for .NET 从 PDF 中提取文本是一个简单而有效的过程。按照本指南中概述的步骤，您可以轻松打开 PDF 文档、循环浏览页面并将文本提取到文本文件中。这对于处理大量 PDF 数据、执行文本分析或转换文档以供进一步操作特别有用。

使用 Aspose.PDF，您不仅限于文本提取 - 您可以处理注释、处理图像，甚至可以将 PDF 转换为其他格式，如 HTML 或 Word。该库的灵活性和强大功能使其成为 .NET 应用程序中 PDF 管理的宝贵工具。

常见问题解答

Aspose.PDF 可以从基于图像的 PDF 中提取文本吗？

不是，Aspose.PDF 旨在从基于内容的 PDF 中提取文本。对于基于图像的 PDF，需要 OCR 技术。

Aspose.PDF 在提取文本时是否保留格式？

默认情况下，提取的文本没有格式，但如果您想保留一些格式，可以调整提取选项。

我可以从特定的页面范围中提取文本吗？

是的，您可以修改代码以循环遍历特定范围的页面而不是所有页面。

Aspose.PDF 中的文本提取模式有哪些？

Aspose.PDF 提供两种模式：Raw 和 Pure。Raw 模式尝试保留原始布局，而 Pure 模式仅提取文本而不进行格式化。

Aspose.PDF for .NET 是否与 .NET Core 兼容？

是的，Aspose.PDF for .NET 与 .NET Core 和 .NET Framework 完全兼容。

提取PDF文件中的文本页面 动态获取文本宽度