Ako extrahovať text z PDF v .NET

Ako extrahovať text z PDF v .NET

Tento sprievodca pokrýva extrakciu textu z PDF stránok pomocou absorber API.

Požiadavky

Extrahovať všetok text zo stránky

TextAbsorber zhromažďuje celý text na stránke do jedného reťazca. Vytvorte inštanciu, odovzdajte ju do Page.Accept a prečítajte výsledok z vlastnosti Text. Toto je najjednoduchší prístup, keď potrebujete výstup v čistom texte bez informácií o pozícii.

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

Extrahovať štruktúrované textové fragmenty

Keď potrebujete metadáta o pozícii, fonte a veľkosti spolu s textom, použite TextFragmentAbsorber namiesto toho. Každý TextFragment odhaľuje svoje ohraničujúce súradnice prostredníctvom 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})");
}

Vyhľadávanie pomocou regulárneho výrazu

Zadajte regex vzor do TextFragmentAbsorber, aby ste našli zodpovedajúci text naprieč všetkými stránkami. Toto je užitočné pri vyhľadávaní telefónnych čísel, dátumov alebo iných štruktúrovaných dátových vzorov v dokumente.

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

Kľúčové triedy

Pozri tiež

• Sprievodca vývojárom pre extrakciu textu
• Aspose.PDF for .NET Enterprise produkt