Pengekstrakan Teks

Pengekstrakan Teks

Aspose.PDF FOSS for .NET menyediakan beberapa mekanisme untuk mengekstrak teks daripada halaman PDF. TextFragmentAbsorber adalah alat utama — ia mengimbas kandungan halaman dan mengembalikan objek TextFragment berstruktur dengan maklumat kedudukan, fon, dan gaya.

Penarikan teks asas

TextAbsorber mengekstrak semua teks dari halaman atau dokumen sebagai satu rentetan.

using var doc = Document.Open(pdfBytes);

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

string pageText = absorber.Text;

Mengekstrak fragmen teks

TextFragmentAbsorber menyediakan hasil berstruktur. Setiap TextFragment termasuk teks yang diekstrak, kedudukannya pada halaman, dan butiran fon.

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}");
}

Mencari dengan ekspresi reguler

Hantar corak regex ke TextFragmentAbsorber untuk mencari teks tertentu.

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}");
}

Segmen teks

Setiap TextFragment mungkin mengandungi berbilang objek TextSegment apabila teks melintasi jalur fon yang berbeza.

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

Pengurusan Fon

FontRepository menyediakan kaedah untuk mencari dan memuatkan fon.

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

Membina perenggan teks

TextParagraph membenarkan pembinaan blok teks berbilang baris untuk dimasukkan ke dalam halaman.

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

Petua dan Amalan Terbaik

• Gunakan TextFragmentAbsorber apabila anda memerlukan data kedudukan dan fon; gunakan TextAbsorber untuk pengekstrakan teks biasa.
• Terima penyerap pada satu halaman untuk hasil yang lebih cepat, atau pada doc.Pages untuk mencari seluruh dokumen.
• Carian ungkapan regular sensitif huruf secara lalai — gunakan awalan (?i) untuk padanan tidak sensitif huruf.
• Semak TextState.Font.IsEmbedded untuk menentukan sama ada fon terbenam dalam PDF.
• Untuk dokumen besar, proses halaman satu demi satu untuk mengurus penggunaan memori.

Isu Umum

Soalan Lazim

Bolehkah saya mengekstrak teks dari kawasan tertentu pada halaman?

Ya. Tetapkan TextFragmentAbsorber.TextSearchOptions.Rectangle untuk mengehadkan carian kepada kawasan tertentu pada halaman.

Adakah pengekstrakan teks mengekalkan susunan bacaan?

Perpustakaan mengembalikan teks dalam urutan aliran kandungan. Untuk susun atur berbilang lajur, anda mungkin perlu menyusun fragmen mengikut kedudukan.

Bolehkah saya mengekstrak teks dari semua halaman sekaligus?

Ya. Panggil doc.Pages.Accept(absorber) untuk mencari setiap halaman dalam dokumen.

Ringkasan Rujukan API

Lihat Juga

• Aspose.PDF for .NET Produk Enterprise