Извлечение текста

Извлечение текста

Aspose.PDF FOSS for .NET предоставляет несколько механизмов для извлечения текста из страниц PDF. TextFragmentAbsorber — основной инструмент — он сканирует содержимое страницы и возвращает структурированные TextFragment объекты с информацией о позиции, шрифте и стиле.

Базовое извлечение текста

TextAbsorber извлекает весь текст со страницы или документа в виде одной строки.

using var doc = Document.Open(pdfBytes);

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

string pageText = absorber.Text;

Извлечение фрагментов текста

TextFragmentAbsorber предоставляет структурированные результаты. Каждый TextFragment включает извлечённый текст, его позицию на странице и сведения о шрифте.

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}");
}

Поиск с помощью регулярных выражений

Передайте шаблон regex в TextFragmentAbsorber, чтобы найти конкретный текст.

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}");
}

Текстовые сегменты

Каждый TextFragment может содержать несколько объектов TextSegment, когда текст охватывает разные наборы шрифтов.

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

Управление шрифтами

FontRepository предоставляет методы для поиска и загрузки шрифтов.

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

Создание текстовых абзацев

TextParagraph позволяет создавать многострочные текстовые блоки для вставки в страницу.

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

Советы и лучшие практики

• Используйте TextFragmentAbsorber, когда нужны данные о позиции и шрифте; используйте TextAbsorber для извлечения обычного текста.
• Примите поглотитель на одной странице для более быстрых результатов, или на doc.Pages для поиска по всему документу.
• Поиск по регулярному выражению чувствителен к регистру по умолчанию — используйте префикс (?i) для нечувствительного к регистру сопоставления.
• Проверьте TextState.Font.IsEmbedded, чтобы определить, встроен ли шрифт в PDF.
• Для больших документов обрабатывайте страницы по одной, чтобы управлять использованием памяти.

Общие проблемы

Часто задаваемые вопросы

Могу ли я извлечь текст из конкретного региона страницы?

Да. Установите TextFragmentAbsorber.TextSearchOptions.Rectangle, чтобы ограничить поиск конкретной областью страницы.

Сохраняет ли извлечение текста порядок чтения?

Библиотека возвращает текст в порядке потока содержимого. Для многоколоночных макетов может потребоваться сортировать фрагменты по позиции.

Могу ли я извлечь текст со всех страниц сразу?

Да. Вызовите doc.Pages.Accept(absorber) для поиска на каждой странице документа.

API Сводка справки

См. также

• Aspose.PDF для .NET Enterprise Product