Tekstin poiminta

Tekstin poiminta

Aspose.PDF FOSS for .NET tarjoaa useita mekanismeja tekstin poimimiseksi PDF-sivuista. TextFragmentAbsorber on ensisijainen työkalu — se skannaa sivun sisällön ja palauttaa rakenteellisia TextFragment-objekteja, joissa on sijainti-, fontti- ja tyylitiedot.

Perustekstin poiminta

TextAbsorber poimii kaiken tekstin sivulta tai asiakirjasta yhtenä merkkijonona.

using var doc = Document.Open(pdfBytes);

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

string pageText = absorber.Text;

Tekstin fragmenttien poiminta

TextFragmentAbsorber tarjoaa rakenteellisia tuloksia. Jokainen TextFragment sisältää poimitun tekstin, sen sijainnin sivulla ja fonttitiedot.

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}");
}

Haku säännöllisillä lausekkeilla

Syötä regex‑malli TextFragmentAbsorber:iin löytääksesi tiettyä tekstiä.

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}");
}

Tekstikatkelmat

Jokainen TextFragment voi sisältää useita TextSegment-objekteja, kun teksti kattaa eri fonttijaksoja.

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

Fonttien hallinta

FontRepository tarjoaa menetelmiä fonttien etsimiseen ja lataamiseen.

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

Tekstikappaleiden rakentaminen

TextParagraph mahdollistaa monirivisten tekstilohkojen rakentamisen sivulle lisättäväksi.

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

Vinkkejä ja parhaita käytäntöjä

• Käytä TextFragmentAbsorber kun tarvitset sijainti- ja fonttitietoja; käytä TextAbsorber tavallisen tekstin poimintaan.
• Hyväksy absorberi yhdellä sivulla nopeampien tulosten saamiseksi tai doc.Pages koko asiakirjan hakemiseen.
• Säännöllinen lausekkeen haku on oletuksena kirjainkoolla riippuva — käytä (?i) -etuliitettä kirjainkoolla riippumattomaan vastaavuuteen.
• Tarkista TextState.Font.IsEmbedded selvittääksesi, onko fontti upotettu PDF:ssä.
• Suurille asiakirjoille käsittele sivut yksi kerrallaan muistin käytön hallitsemiseksi.

Yleiset ongelmat

UKK

Voinko poimia tekstiä sivun tietystä alueesta?

Kyllä. Aseta TextFragmentAbsorber.TextSearchOptions.Rectangle rajoittamaan hakua sivun tiettyyn alueeseen.

Säilyttääkö tekstin poiminta lukujärjestyksen?

Kirjasto palauttaa tekstin content‑stream -järjestyksessä. Monisarakkeisissa asetteluissa saatat joutua järjestämään fragmentit sijainnin mukaan.

Voinko poimia tekstiä kaikilta sivuilta kerralla?

Kyllä. Kutsu doc.Pages.Accept(absorber) hakeaksesi jokaisen sivun asiakirjasta.

API-viittauksen yhteenveto

Katso myös

• Aspose.PDF for .NET Enterprise‑tuote