テキスト抽出

テキスト抽出

Aspose.PDF FOSS for .NET は PDF ページからテキストを抽出するためのいくつかのメカニズムを提供します。TextFragmentAbsorber は主要なツールで、ページ内容をスキャンし、位置、フォント、スタイル情報を含む構造化された TextFragment オブジェクトを返します。

基本的なテキスト抽出

TextAbsorber はページまたはドキュメントからすべてのテキストを単一の文字列として抽出します。

using var doc = Document.Open(pdfBytes);

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

string pageText = absorber.Text;

テキストフラグメントの抽出

TextFragmentAbsorber は構造化された結果を提供します。各 TextFragment には抽出されたテキスト、そのページ上の位置、フォントの詳細が含まれます。

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}");
}

正規表現による検索

TextFragmentAbsorberに正規表現パターンを渡して特定のテキストを検索します。

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}");
}

テキスト セグメント

テキストが異なるフォントランにまたがる場合、各TextFragmentは複数のTextSegmentオブジェクトを含むことがあります。

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

フォント管理

FontRepository はフォントを検索し、ロードするためのメソッドを提供します。

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

テキスト段落の作成

TextParagraph は、ページへの挿入用に複数行のテキストブロックを構築することを可能にします。

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

ヒントとベストプラクティス

• 位置とフォントデータが必要な場合は TextFragmentAbsorber を使用し、プレーンテキスト抽出には TextAbsorber を使用します。
• より高速な結果を得るために、単一ページで absorber を受け入れるか、文書全体を検索する場合は doc.Pages を使用します。
• 正規表現検索はデフォルトで大文字小文字を区別します — 大文字小文字を区別しないマッチングには (?i) プレフィックスを使用してください。
• フォントが PDF に埋め込まれているかどうかを判断するには TextState.Font.IsEmbedded を確認してください。
• 大きな文書の場合、メモリ使用量を管理するためにページを1つずつ処理してください。

一般的な問題

よくある質問

ページの特定の領域からテキストを抽出できますか？

はい。TextFragmentAbsorber.TextSearchOptions.Rectangle を設定して、検索をページの特定領域に限定します。

テキスト抽出は読み順を保持しますか？

ライブラリはテキストをコンテンツストリームの順序で返します。マルチカラムレイアウトの場合、フラグメントを位置でソートする必要があるかもしれません。

すべてのページから一度にテキストを抽出できますか？

はい。doc.Pages.Accept(absorber) を呼び出して、ドキュメント内のすべてのページを検索します。

API リファレンス概要

参照

• Aspose.PDF for .NET エンタープライズ製品