Εξαγωγή κειμένου

Εξαγωγή κειμένου

Aspose.PDF FOSS for .NET provides several mechanisms for extracting text from PDF σελίδες. TextFragmentAbsorber είναι το κύριο εργαλείο - σάρωση περιεχομένου σελίδας Επιστροφή δομημένη TextFragment αντικείμενα με θέση, γραμματοσειρά και στυλ Πληροφορίες .

Βασική εκχύλισμα κειμένου

TextAbsorber Εξέτασε ολόκληρο το κείμενο από μια σελίδα ή έγγραφο ως μία στήλη.

using var doc = Document.Open(pdfBytes);

var absorber = new TextAbsorber();
doc.Pages[1].Accept(absorber);

string pageText = absorber.Text;

Εξαγωγή κειμένου κομμάτια

TextFragmentAbsorber Εξασφαλίζει τα αποτελέσματα.Κάθε TextFragment Περιλαμβάνει το εκχυλίσμενο κείμενο, τη θέση του στη σελίδα και τις λεπτομέρειες γραμματισμού.

using var doc = Document.Open(pdfBytes);

var absorber = new TextFragmentAbsorber();
doc.Pages[1].Accept(absorber);

foreach (var fragment in absorber.TextFragments)
{
    Console.WriteLine($"Text: {fragment.Text}");
    Console.WriteLine($"Position: ({fragment.Position.XIndent}, {fragment.Position.YIndent})");
    Console.WriteLine($"Font: {fragment.TextState.Font.FontName}");
}

Αναζήτηση με τακτικές εκφράσεις

Πάρτε ένα πρότυπο Regex για να TextFragmentAbsorber Να βρει συγκεκριμένο κείμενο.

var absorber = new TextFragmentAbsorber(@"\d{3}-\d{2}-\d{4}");
doc.Pages.Accept(absorber);  // Search all pages

foreach (var fragment in absorber.TextFragments)
{
    Console.WriteLine($"Found: {fragment.Text}");
}

Τμήμα κειμένου

Κάθε ένα TextFragment Μπορεί να περιέχει πολλαπλές TextSegment Το κείμενο όταν το αντικείμενο Διάφορα κινήματα γραμματοσειράς.

foreach (var fragment in absorber.TextFragments)
{
    foreach (var segment in fragment.Segments)
    {
        Console.WriteLine($"Segment: {segment.Text}, Font: {segment.TextState.Font.FontName}");
    }
}

Διαχείριση Font

FontRepository παρέχει μεθόδους για να βρείτε και να φορτίσετε γραμματοσειρά.

var font = FontRepository.FindFont("Helvetica");

Βάσει των κειμένων παραγράφων

TextParagraph επιτρέπει την κατασκευή πολυγραμμικών κειμένων για ενσωμάτωση σε Μια σελίδα .

var paragraph = new TextParagraph();
paragraph.AppendLine(new TextFragment("First line"));
paragraph.AppendLine(new TextFragment("Second line"));

Συμβουλές και βέλτιστες πρακτικές

• Χρησιμοποιήστε TextFragmentAbsorber όταν χρειάζεστε στοιχεία θέσης και γραμματοσειράς, χρησιμοποιήστε TextAbsorber για την εκχύλιση κειμένου.
• Αποδεχτείτε το απορρόφημα σε μια σελίδα για ταχύτερα αποτελέσματα, ή doc.Pages Αναζητήστε ολόκληρο το έγγραφο.
• Η τακτική αναζήτηση έκφρασης είναι περιπτώσεων ευαίσθητη κατά προεπιλογή - χρήση (?i) Προκαταβολή για περιπτώσεων-αίσθητων συναντήσεων.
• Ελέγξτε TextState.Font.IsEmbedded Για να προσδιορίσετε αν ένα γράμμα είναι ενσωματωμένο στο PDF.
• Για μεγάλα έγγραφα, επεξεργαστείτε τις σελίδες μία φορά για να διαχειριστεί τη χρήση μνήμης.

κοινά ζητήματα

FAQ

Μπορώ να εκχύλιζα κείμενο από μια συγκεκριμένη περιοχή μιας σελίδας;?

Ναι, ΣΕΤΙΔΑ TextFragmentAbsorber.TextSearchOptions.Rectangle Περιορισμός της αναζήτησης σε μια συγκεκριμένη περιοχή της σελίδας.

Η εκχύλισμα κειμένου διατηρεί την τάξη ανάγνωσης;?

Η βιβλιοθήκη επιστρέφει κείμενο με σειρά περιεχομένου-στρέμματος. Για διατάξεις πολυθώνων, μπορεί να χρειαστεί να ταξινομήσετε κομμάτια ανά θέση.

Μπορώ να βγάλω κείμενο από όλες τις σελίδες ταυτόχρονα;?

Ναι, καλέστε doc.Pages.Accept(absorber) Αναζητήστε κάθε σελίδα στο έγγραφο.

Συνοπτική αναφορά API

Δείτε επίσης

• Aspose.PDF for .NET Enterprise Product