Cara Mengekstrak Teks dari PDF di .NET

Cara Mengekstrak Teks dari PDF di .NET

Panduan ini mencakup ekstraksi teks dari halaman PDF menggunakan absorber API.

Prasyarat

Ekstrak semua teks dari sebuah halaman

TextAbsorber mengumpulkan semua teks pada halaman menjadi satu string. Buat sebuah instance, berikan ke Page.Accept, dan baca hasilnya dari properti Text. Ini adalah pendekatan paling sederhana ketika Anda membutuhkan output teks biasa tanpa informasi posisi.

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

Ekstrak fragmen teks terstruktur

Ketika Anda membutuhkan metadata posisi, font, dan ukuran bersama teks, gunakan TextFragmentAbsorber sebagai gantinya. Setiap TextFragment mengekspos koordinat batasnya melalui properti 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})");
}

Cari dengan ekspresi reguler

Berikan pola regex ke TextFragmentAbsorber untuk menemukan teks yang cocok di seluruh halaman. Ini berguna untuk menemukan nomor telepon, tanggal, atau pola data terstruktur lainnya dalam dokumen.

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

Kelas Kunci

Lihat Juga

• Panduan Pengembang Ekstraksi Teks
• Aspose.PDF untuk .NET Produk Enterprise