Cara Mengekstrak Teks dari PDF dalam .NET

Cara Mengekstrak Teks dari PDF dalam .NET

Panduan ini merangkumi pengekstrakan teks daripada halaman PDF menggunakan absorber API.

Keperluan

Ekstrak semua teks daripada halaman

TextAbsorber mengumpulkan semua teks pada halaman menjadi satu rentetan. Cipta satu
instance, hantarkan kepada Page.Accept, dan baca hasilnya daripada property Text.
Ini adalah pendekatan paling mudah apabila anda memerlukan output teks biasa tanpa maklumat kedudukan.

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

Ekstrak fragmen teks berstruktur

Apabila anda memerlukan metadata kedudukan, fon, dan saiz bersama teks, gunakan TextFragmentAbsorber sebaliknya. Setiap TextFragment mendedahkan koordinat sempadannya melalui sifat 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 biasa

Berikan corak regex kepada TextFragmentAbsorber untuk mencari teks yang sepadan merentasi semua halaman. Ini berguna untuk mencari nombor telefon, tarikh, atau corak data berstruktur lain 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 Utama

Lihat Juga

• Panduan Pembangun Pengekstrakan Teks
• Aspose.PDF untuk .NET Produk Enterprise