Extraction de texte

Extraction de texte

Aspose.PDF FOSS for .NET propose plusieurs mécanismes pour extraire du texte à partir des pages PDF. TextFragmentAbsorber est l’outil principal — il analyse le contenu des pages et renvoie des objets TextFragment structurés contenant les informations de position, de police et de style.

Extraction de texte de base

TextAbsorber extrait tout le texte d’une page ou d’un document sous forme d’une chaîne unique.

using var doc = Document.Open(pdfBytes);

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

string pageText = absorber.Text;

Extraction de fragments de texte

TextFragmentAbsorber fournit des résultats structurés. Chaque TextFragment comprend le texte extrait, sa position sur la page et les détails de la police.

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}");
}

Recherche avec des expressions régulières

Passez un motif regex à TextFragmentAbsorber pour trouver du texte spécifique.

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}");
}

Segments de texte

Chaque TextFragment peut contenir plusieurs objets TextSegment lorsque le texte s’étend sur différentes exécutions de police.

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

Gestion des polices

FontRepository fournit des méthodes pour rechercher et charger des polices.

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

Création de paragraphes de texte

TextParagraph permet de construire des blocs de texte multilignes pour les insérer dans une page.

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

Conseils et meilleures pratiques

• Utilisez TextFragmentAbsorber lorsque vous avez besoin de données de position et de police ; utilisez TextAbsorber pour l’extraction de texte brut.
• Acceptez l’absorbeur sur une seule page pour des résultats plus rapides, ou sur doc.Pages pour rechercher dans tout le document.
• La recherche d’expressions régulières est sensible à la casse par défaut — utilisez le préfixe (?i) pour une correspondance insensible à la casse.
• Vérifiez TextState.Font.IsEmbedded pour déterminer si une police est incorporée dans le PDF.
• Pour les documents volumineux, traitez les pages une à une afin de gérer l’utilisation de la mémoire.

Problèmes courants

FAQ

Puis‑je extraire du texte d’une région spécifique d’une page ?

Oui. Définissez TextFragmentAbsorber.TextSearchOptions.Rectangle pour limiter la recherche
à une zone spécifique de la page.

L’extraction de texte préserve-t-elle l’ordre de lecture ?

La bibliothèque renvoie le texte dans l’ordre du flux de contenu. Pour les mises en page à plusieurs colonnes, il peut être nécessaire de trier les fragments par position.

Puis-je extraire le texte de toutes les pages en une seule fois ?

Oui. Appelez doc.Pages.Accept(absorber) pour rechercher chaque page du document.

Résumé de la référence API

Voir aussi

• Aspose.PDF pour .NET Produit Enterprise