วิธีดึงข้อความจาก PDF ใน .NET

วิธีดึงข้อความจาก PDFs ใน .NET

คู่มือนี้ครอบคลุมการสกัดข้อความจากหน้า PDF โดยใช้ absorber API.

ข้อกำหนดเบื้องต้น

ดึงข้อความทั้งหมดจากหน้า

TextAbsorber รวบรวมข้อความทั้งหมดบนหน้าเป็นสตริงเดียว.
สร้าง
อินสแตนซ์, ส่งให้กับ Page.Accept, และอ่านผลลัพธ์จากคุณสมบัติ Text.
นี่เป็นวิธีที่ง่ายที่สุดเมื่อคุณต้องการผลลัพธ์เป็นข้อความธรรมดาโดยไม่มีข้อมูลตำแหน่ง
ข้อมูล.

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

สกัดข้อความที่มีโครงสร้าง

เมื่อคุณต้องการข้อมูลตำแหน่ง, แบบอักษร, และขนาดเมตาดาต้าพร้อมกับข้อความ, ให้ใช้ TextFragmentAbsorber แทน. แต่ละ TextFragment จะเปิดเผยพิกัดขอบของมันผ่านคุณสมบัติ 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})");
}

ค้นหาด้วยนิพจน์ปกติ

ส่งรูปแบบ regex ไปยัง TextFragmentAbsorber เพื่อค้นหาข้อความที่ตรงกันทั่ว ทุกหน้า นี่เป็นประโยชน์สำหรับการค้นหาเบอร์โทรศัพท์ วันที่ หรืออื่น ๆ รูปแบบข้อมูลที่มีโครงสร้างภายในเอกสาร.

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

คลาสสำคัญ

ดูเพิ่มเติม

• คู่มือผู้พัฒนาการสกัดข้อความ
• Aspose.PDF for .NET ผลิตภัณฑ์ระดับองค์กร