Видобуток тексту

Видобування тексту

Aspose.PDF FOSS for .NET надає кілька механізмів для вилучення тексту з PDF‑сторінок. TextFragmentAbsorber — це основний інструмент, який сканує вміст сторінки та повертає структуровані TextFragment об’єкти з інформацією про позицію, шрифт і стиль.

Базове вилучення тексту

TextAbsorber витягує весь текст зі сторінки або документа як один рядок.

using var doc = Document.Open(pdfBytes);

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

string pageText = absorber.Text;

Витягування текстових фрагментів

TextFragmentAbsorber надає структуровані результати. Кожен TextFragment включає витягнутий текст, його позицію на сторінці та деталі шрифту.

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}");
}

Пошук за допомогою регулярних виразів

Передайте шаблон regex у TextFragmentAbsorber, щоб знайти конкретний 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}");
}

Текстові сегменти

Кожен TextFragment може містити кілька об’єктів TextSegment, коли текст охоплює різні ділянки шрифту.

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

Управління шрифтами

FontRepository надає методи для пошуку та завантаження шрифтів.

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

Створення текстових абзаців

TextParagraph дозволяє створювати багаторядкові текстові блоки для вставки в сторінку.

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

Поради та найкращі практики

• Використовуйте TextFragmentAbsorber, коли потрібні дані про позицію та шрифт; використовуйте TextAbsorber для вилучення простого тексту.
• Приймайте абсорбер на одній сторінці для швидших результатів або на doc.Pages, щоб шукати по всьому документу.
• Пошук за регулярними виразами за замовчуванням чутливий до регістру — використовуйте префікс (?i) для нечутливого до регістру збігу.
• Перевірте TextState.Font.IsEmbedded, щоб визначити, чи шрифт вбудований у PDF.
• Для великих документів обробляйте сторінки по одній, щоб керувати використанням пам’яті.

Поширені проблеми

FAQ

Чи можу я витягнути текст з певної області сторінки?

Так. Встановіть TextFragmentAbsorber.TextSearchOptions.Rectangle, щоб обмежити пошук певною областю сторінки.

Чи зберігає вилучення тексту порядок читання?

Бібліотека повертає текст у порядку потоку вмісту. Для багатостовпчикових макетів може знадобитися сортування фрагментів за позицією.

Чи можу я витягнути текст з усіх сторінок одночасно?

Так. Викличте doc.Pages.Accept(absorber), щоб шукати на кожній сторінці документа.

Зведення довідки API

Див. також

• Aspose.PDF for .NET Enterprise Product