Jak extrahovat text z PDF v .NET

Jak extrahovat text z PDF v .NET

Tento průvodce pokrývá extrakci textu z PDF stránek pomocí absorber API.

Požadavky

Extrahovat veškerý text ze stránky

TextAbsorber sbírá veškerý text na stránce do jediného řetězce. Vytvořte
instanci, předávejte ji do Page.Accept a výsledek přečtěte z vlastnosti Text.
Jedná se o nejjednodušší přístup, když potřebujete výstup prostého textu bez pozičních informací.

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

Extrahovat strukturované textové fragmenty

Když potřebujete metadata o pozici, fontu a velikosti spolu s textem, použijte TextFragmentAbsorber místo toho. Každý TextFragment zveřejňuje své ohraničující souřadnice prostřednictvím vlastnosti Position.

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})");
}

Vyhledávat pomocí regulárního výrazu

Předávejte regulární výraz do TextFragmentAbsorber, abyste našli odpovídající text napříč všemi stránkami. To je užitečné pro vyhledávání telefonních čísel, dat nebo jiných strukturovaných datových vzorů v dokumentu.

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

Klíčové třídy

Viz také

• Průvodce vývojem pro extrakci textu
• Aspose.PDF pro .NET Enterprise Produkt