Extrahovat text vše v souboru PDF
Tento tutoriál vás provede procesem extrahování veškerého textu v souboru PDF pomocí Aspose.PDF pro .NET. Poskytnutý zdrojový kód C# ukazuje potřebné kroky.
Požadavky
Než začnete, ujistěte se, že máte následující:
- Visual Studio nebo jakýkoli jiný kompilátor C# nainstalovaný na vašem počítači.
- Aspose.PDF pro knihovnu .NET. Můžete si jej stáhnout z oficiálního webu Aspose nebo jej nainstalovat pomocí správce balíčků, jako je NuGet.
Krok 1: Nastavte projekt
- Vytvořte nový projekt C# ve vámi preferovaném vývojovém prostředí.
- Přidejte odkaz na knihovnu Aspose.PDF for .NET.
Krok 2: Importujte požadované jmenné prostory
Do souboru kódu, kam chcete extrahovat text, přidejte následující pomocí direktiv v horní části souboru:
using Aspose.Pdf;
using System.IO;
Krok 3: Nastavte adresář dokumentů
V kódu vyhledejte řádek, který říkástring dataDir = "YOUR DOCUMENT DIRECTORY";
a nahradit"YOUR DOCUMENT DIRECTORY"
s cestou k adresáři, kde jsou uloženy vaše dokumenty.
Krok 4: Otevřete dokument PDF
Otevřete existující dokument PDF pomocíDocument
konstruktoru a předání cesty ke vstupnímu souboru PDF.
Document pdfDocument = new Document(dataDir + "ExtractTextAll.pdf");
Krok 5: Extrahujte veškerý text
VytvořitTextAbsorber
objekt pro extrahování textu z dokumentu. Poté přijměte absorbér pro všechny stránky.
TextAbsorber textAbsorber = new TextAbsorber();
pdfDocument.Pages.Accept(textAbsorber);
Krok 6: Získejte extrahovaný text
Přístup k extrahovanému textu zTextAbsorber
objekt.
string extractedText = textAbsorber.Text;
Krok 7: Uložte extrahovaný text
VytvořitTextWriter
a otevřete soubor, kam chcete extrahovaný text uložit. Zapište extrahovaný text do souboru a zavřete stream.
TextWriter tw = new StreamWriter(dataDir + "extracted-text.txt");
tw.WriteLine(extractedText);
tw. Close();
Ukázkový zdrojový kód pro Extrahovat text vše pomocí Aspose.PDF pro .NET
// Cesta k adresáři dokumentů.
string dataDir = "YOUR DOCUMENT DIRECTORY";
// Otevřete dokument
Document pdfDocument = new Document(dataDir + "ExtractTextAll.pdf");
// Vytvořte objekt TextAbsorber pro extrahování textu
TextAbsorber textAbsorber = new TextAbsorber();
// Přijměte absorbér pro všechny stránky
pdfDocument.Pages.Accept(textAbsorber);
// Získejte extrahovaný text
string extractedText = textAbsorber.Text;
// Vytvořte zapisovač a otevřete soubor
TextWriter tw = new StreamWriter(dataDir + "extracted-text.txt");
// Napište do souboru řádek textu
tw.WriteLine(extractedText);
// Zavřete stream
tw.Close();
Závěr
Úspěšně jste extrahovali veškerý text z dokumentu PDF pomocí Aspose.PDF pro .NET. Extrahovaný text byl uložen do zadaného výstupního souboru.
FAQ
Otázka: Jaký je účel tohoto tutoriálu?
Odpověď: Tento tutoriál slouží jako průvodce, který vám pomůže extrahovat veškerý text ze souboru PDF pomocí Aspose.PDF pro .NET. Doprovodný zdrojový kód C# poskytuje podrobné pokyny pro dosažení tohoto úkolu.
Otázka: Jaké jmenné prostory mám importovat?
Odpověď: Do souboru s kódem, ze kterého chcete extrahovat text, zahrňte na začátek souboru následující pomocí direktiv:
using Aspose.Pdf;
using System.IO;
Otázka: Jak určím adresář dokumentů?
A: Najděte linkustring dataDir = "YOUR DOCUMENT DIRECTORY";
v kódu a nahradit"YOUR DOCUMENT DIRECTORY"
se skutečnou cestou k vašemu adresáři dokumentů.
Otázka: Jak otevřu existující dokument PDF?
Odpověď: V kroku 4 otevřete existující dokument PDF pomocíDocument
konstruktoru a poskytnutí cesty ke vstupnímu souboru PDF.
Otázka: Jak extrahuji veškerý text z dokumentu?
Odpověď: Krok 5 zahrnuje vytvoření aTextAbsorber
objekt pro extrahování textu z dokumentu PDF. Poté přijmete absorbér pro všechny stránky.
Otázka: Jak se dostanu k extrahovanému textu?
Odpověď: Krok 6 vás provede přístupem k extrahovanému textu zTextAbsorber
objekt.
Otázka: Jak uložím extrahovaný text do souboru?
Odpověď: V kroku 7 vytvoříte aTextWriter
, otevřete soubor, do kterého chcete uložit extrahovaný text, zapište extrahovaný text do souboru a poté stream zavřete.
Otázka: Jaký je hlavní přínos tohoto tutoriálu?
Odpověď: Podle tohoto návodu jste se naučili, jak extrahovat veškerý text z dokumentu PDF pomocí Aspose.PDF for .NET. Extrahovaný text byl uložen do určeného výstupního souboru, což vám umožňuje analyzovat a manipulovat s textovým obsahem dokumentu.