Trích xuất Văn bản

Trích xuất Văn bản

Aspose.PDF FOSS for .NET provides several mechanisms for extracting text from PDF trang. TextFragmentAbsorber là công cụ chính — nó quét nội dung trang và trở lại cấu trúc TextFragment Các đối tượng với vị trí, font và phong cách thông tin .

Text Extraction Tác giả

TextAbsorber - Tắt tất cả văn bản từ một trang hoặc tài liệu như một dòng duy nhất.

using var doc = Document.Open(pdfBytes);

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

string pageText = absorber.Text;

Tích hợp Text Fragments

TextFragmentAbsorber - Có kết quả cấu trúc, mỗi TextFragment bao gồm văn bản được rút ra, vị trí trên trang và chi tiết chữ cái.

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}");
}

Tìm kiếm với các biểu hiện thường xuyên

Gửi mẫu Regex để TextFragmentAbsorber Tìm văn bản cụ thể.

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}");
}

Text Segments Phần văn bản

Each TextFragment Có thể chứa nhiều TextSegment Các đối tượng khi văn bản Các phím khác nhau chạy.

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

Font quản lý

FontRepository cung cấp phương pháp để tìm và tải các phông chữ.

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

Xây dựng đoạn văn bản

TextParagraph cho phép xây dựng các khối văn bản đa tuyến để nhập vào Một trang.

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

Mẹo và Thực hành Tốt nhất

• Sử dụng TextFragmentAbsorber khi bạn cần dữ liệu vị trí và chữ; sử dụng TextAbsorber - Tính năng của Extraction Text.
• Nhận bộ hấp thụ trên một trang để có kết quả nhanh hơn, hoặc doc.Pages Tìm kiếm toàn bộ tài liệu.
• Tìm kiếm biểu hiện thường xuyên là trường hợp nhạy cảm theo mặc định — sử dụng (?i) - Tính năng cho sự phù hợp không nhạy cảm.
• Check TextState.Font.IsEmbedded để xác định xem một phông chữ có được nhúng vào PDF hay không.
• Đối với các tài liệu lớn, xử lý trang một lần để quản lý sử dụng bộ nhớ.

Các vấn đề thường gặp

FAQ

Tôi có thể lấy văn bản từ một khu vực cụ thể của một trang không?

☆ Set TextFragmentAbsorber.TextSearchOptions.Rectangle Giới hạn tìm kiếm đến một khu vực cụ thể của trang.

Tác phẩm thu âm có bảo vệ lệnh đọc không?

Thư viện trả về văn bản theo thứ tự dòng nội dung. Đối với các bố trí đa cột, bạn có thể cần sắp xếp các mảnh theo vị trí.

Tôi có thể lấy văn bản từ tất cả các trang cùng một lúc không?

Có. gọi doc.Pages.Accept(absorber) Tìm kiếm mỗi trang trong tài liệu.

Tóm tắt Tham chiếu API

See Also

• Aspose.PDF for .NET Enterprise Product