Как да изтеглите текст от PDF файлове в .NET

Как да изтеглите текст от PDF файлове в .NET

Това ръководство обхваща извличане на текст от PDF страници с помощта на API-то за абсорбиране.

Предварителни условия

Изваждане на целия текст от страница

TextAbsorber събира целия текст на страницата в един ред. Създаване на Предайте го на: Page.Accept, и прочетете резултата от Text собственост. Това е най-простият подход, когато се нуждаете от обикновен текстови изходен без позиционни информация.

using var doc = Document.Open(pdfBytes);
var absorber = new TextAbsorber();
doc.Pages[1].Accept(absorber);
Console.WriteLine(absorber.Text);

Извлечете структурирани текстови фрагменти

Когато имате нужда от позиция, шрифт и размер метаданни заедно с текста, употреба на TextFragmentAbsorber Всеки от тях. TextFragment разкрива своята граничните координати през Position собственост.

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

foreach (var fragment in absorber.TextFragments)
{
    Console.WriteLine($"{fragment.Text} at ({fragment.Position.XIndent}, {fragment.Position.YIndent})");
}

Търсене с редовна експресия

Предаване на реджекс модел на: TextFragmentAbsorber да намерите съответстващ текст в Това е полезно за намиране на телефонни номера, дати или други данни. структурирани данни в рамките на даден документ.

var absorber = new TextFragmentAbsorber(@"\d{3}-\d{2}-\d{4}");
doc.Pages.Accept(absorber);
foreach (var f in absorber.TextFragments)
    Console.WriteLine(f.Text);

Основни класове

Вижте също:

• Ръководство за разработчиците на извличане на текст
• Aspose.PDF for .NET Enterprise Product