Extrahujte text pomocí textového zařízení

Tento tutoriál vás provede procesem extrahování textu z dokumentu PDF pomocí textového zařízení v 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

1. Vytvořte nový projekt C# ve vámi preferovaném vývojovém prostředí.
2. 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 Aspose.Pdf.Devices;
using System.IO;
using System.Text;

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 pomocíDocumentkonstruktoru a předání cesty ke vstupnímu souboru PDF.

Document pdfDocument = new Document(dataDir + "input.pdf");

Krok 5: Extrahujte text pomocí textového zařízení

VytvořitStringBuilder objekt, do kterého se bude ukládat extrahovaný text. Iterujte každou stránku dokumentu a použijte aTextDevice extrahovat text z každé stránky.

StringBuilder builder = new StringBuilder();
string extractedText = "";
foreach(Page pdfPage in pdfDocument.Pages)
{
using (MemoryStream textStream = new MemoryStream())
{
TextDevice textDevice = new TextDevice();
TextExtractionOptions textExtOptions = new TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure);
textDevice.ExtractionOptions = textExtOptions;
textDevice.Process(pdfPage, textStream);
textStream. Close();
extractedText = Encoding.Unicode.GetString(textStream.ToArray());
}
builder. Append(extractedText);
}

Krok 6: Uložte extrahovaný text

Zadejte cestu k výstupnímu souboru a uložte extrahovaný text do textového souboru pomocíFile.WriteAllText metoda.

dataDir = dataDir + "input_Text_Extracted_out.txt";
File.WriteAllText(dataDir, builder.ToString());

Ukázkový zdrojový kód pro extrahování textu pomocí textového zařízení pomocí Aspose.PDF pro .NET

// Cesta k adresáři dokumentů.
string dataDir = "YOUR DOCUMENT DIRECTORY";
// Otevřete dokument
Document pdfDocument = new Document( dataDir + "input.pdf");
System.Text.StringBuilder builder = new System.Text.StringBuilder();
//Řetězec pro uložení extrahovaného textu
string extractedText = "";
foreach (Page pdfPage in pdfDocument.Pages)
{
	using (MemoryStream textStream = new MemoryStream())
	{
		// Vytvořte textové zařízení
		TextDevice textDevice = new TextDevice();
		// Nastavení možností extrakce textu - nastavení režimu extrakce textu (Raw nebo Pure)
		TextExtractionOptions textExtOptions = new
		TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure);
		textDevice.ExtractionOptions = textExtOptions;
		// Převeďte konkrétní stránku a uložte text do streamu
		textDevice.Process(pdfPage, textStream);
		// Převeďte konkrétní stránku a uložte text do streamu
		textDevice.Process(pdfDocument.Pages[1], textStream);
		// Zavřete datový proud paměti
		textStream.Close();
		// Získejte text z paměti
		extractedText = Encoding.Unicode.GetString(textStream.ToArray());
	}
	builder.Append(extractedText);
}
dataDir = dataDir + "input_Text_Extracted_out.txt";
// Uložte extrahovaný text do textového souboru
File.WriteAllText(dataDir, builder.ToString());
Console.WriteLine("\nText extracted successfully using text device from page of PDF Document.\nFile saved at " + dataDir);

Závěr

Úspěšně jste extrahovali text z dokumentu PDF pomocí Textového zařízení v Aspose.PDF pro .NET. Extrahovaný text byl uložen do zadaného výstupního souboru.

FAQ

Otázka: Jaký je účel tohoto tutoriálu?

Odpověď: Tento výukový program poskytuje návod na extrahování textu z dokumentu PDF pomocí funkce Textové zařízení v Aspose.PDF pro .NET. Doprovodný zdrojový kód C# demonstruje nezbytné kroky k dosažení tohoto úkolu.

Otázka: Jaké jmenné prostory mám importovat?

Odpověď: Do souboru kódu, do kterého plánujete extrahovat text, zahrňte na začátek souboru následující pomocí direktiv:

using Aspose.Pdf;
using Aspose.Pdf.Devices;
using System.IO;
using System.Text;

Otázka: Jak určím adresář dokumentů?

A: V kódu najděte řádek, který říkástring dataDir = "YOUR DOCUMENT DIRECTORY"; 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 text pomocí textového zařízení?

Odpověď: Krok 5 zahrnuje vytvoření aStringBuilder objekt, do kterého se bude ukládat extrahovaný text. Poté budete iterovat každou stránku dokumentu a použít aTextDevice spolu sTextExtractionOptions extrahovat text z každé stránky.

Otázka: Jak uložím extrahovaný text do souboru?

Odpověď: V kroku 6 zadáte cestu k výstupnímu souboru a použijeteFile.WriteAllTextmetoda pro uložení extrahovaného textu do textového souboru.

Otázka: Jaký je hlavní přínos tohoto tutoriálu?

Odpověď: Podle tohoto kurzu jste se naučili, jak využít funkci Textové zařízení v Aspose.PDF for .NET k extrahování textu z dokumentu PDF. Extrahovaný text byl uložen do určeného výstupního souboru, což vám umožňuje manipulovat a využívat extrahovaný obsah podle potřeby.