Hledat regulární výraz v souboru PDF
Tento tutoriál vysvětluje, jak používat Aspose.PDF pro .NET k vyhledávání a načítání textu, který odpovídá regulárnímu výrazu v souboru PDF. Poskytnutý zdrojový kód C# demonstruje proces krok za krokem.
Předpoklady
Než budete pokračovat ve výukovém programu, ujistěte se, že máte následující:
- Základní znalost programovacího jazyka C#.
- Nainstalovaná knihovna Aspose.PDF pro .NET. Můžete jej získat z webu Aspose nebo jej pomocí NuGet nainstalovat do svého projektu.
Krok 1: Nastavte projekt
Začněte vytvořením nového projektu C# ve vašem preferovaném integrovaném vývojovém prostředí (IDE) a přidejte odkaz na knihovnu Aspose.PDF for .NET.
Krok 2: Importujte potřebné jmenné prostory
Chcete-li importovat požadované jmenné prostory, přidejte následující pomocí direktiv na začátek souboru C#:
using Aspose.Pdf;
using Aspose.Pdf.Text;
Krok 3: Načtěte dokument PDF
Nastavte cestu k adresáři vašeho dokumentu PDF a načtěte dokument pomocíDocument
třída:
string dataDir = "YOUR DOCUMENT DIRECTORY";
Document pdfDocument = new Document(dataDir + "SearchRegularExpressionAll.pdf");
Nezapomeňte vyměnit"YOUR DOCUMENT DIRECTORY"
se skutečnou cestou k vašemu adresáři dokumentů.
Krok 4: Hledejte pomocí regulárního výrazu
VytvořitTextFragmentAbsorber
objekt a nastavte vzor regulárního výrazu, abyste našli všechny fráze, které odpovídají vzoru:
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("\\d{4}-\\d{4}"); // Jako 1999-2000
Nahradit"\\d{4}-\\d{4}"
s požadovaným vzorem regulárního výrazu.
Krok 5: Nastavte možnosti textového vyhledávání
VytvořitTextSearchOptions
objekt a nastavte jej naTextSearchOptions
vlastnictvímTextFragmentAbsorber
objekt umožňující použití regulárního výrazu:
TextSearchOptions textSearchOptions = new TextSearchOptions(true);
textFragmentAbsorber.TextSearchOptions = textSearchOptions;
Krok 6: Hledejte na všech stránkách
Přijměte absorbér pro všechny stránky dokumentu:
pdfDocument.Pages.Accept(textFragmentAbsorber);
Krok 7: Načtěte extrahované fragmenty textu
Získejte extrahované fragmenty textu pomocíTextFragments
vlastnictvímTextFragmentAbsorber
objekt:
TextFragmentCollection textFragmentCollection = textFragmentAbsorber.TextFragments;
Krok 8: Procházejte fragmenty textu
Procházejte načtené fragmenty textu a získejte přístup k jejich vlastnostem:
foreach (TextFragment textFragment in textFragmentCollection)
{
Console.WriteLine("Text: {0} ", textFragment.Text);
Console.WriteLine("Position: {0} ", textFragment.Position);
Console.WriteLine("XIndent: {0} ", textFragment.Position.XIndent);
Console.WriteLine("YIndent: {0} ", textFragment.Position.YIndent);
Console.WriteLine("Font - Name: {0}", textFragment.TextState.Font.FontName);
Console.WriteLine("Font - IsAccessible: {0} ", textFragment.TextState.Font.IsAccessible);
Console.WriteLine("Font - IsEmbedded: {0} ", textFragment.TextState.Font.IsEmbedded);
Console.WriteLine("Font - IsSubset: {0} ", textFragment.TextState.Font.IsSubset);
Console.WriteLine("Font Size: {0} ", textFragment.TextState.FontSize);
Console.WriteLine("Foreground Color: {0} ", textFragment.TextState.ForegroundColor);
}
Kód v rámci smyčky můžete upravit a provést další akce s každým textovým fragmentem.
Ukázka zdrojového kódu pro hledání regulárních výrazů pomocí Aspose.PDF pro .NET
// Cesta k adresáři dokumentů.
string dataDir = "YOUR DOCUMENT DIRECTORY";
// Otevřete dokument
Document pdfDocument = new Document(dataDir + "SearchRegularExpressionAll.pdf");
// Vytvořte objekt TextAbsorber a najděte všechny fráze odpovídající regulárnímu výrazu
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("\\d{4}-\\d{4}"); // Jako 1999-2000
// Nastavte možnost textového vyhledávání pro určení použití regulárního výrazu
TextSearchOptions textSearchOptions = new TextSearchOptions(true);
textFragmentAbsorber.TextSearchOptions = textSearchOptions;
// Přijměte absorbér pro všechny stránky
pdfDocument.Pages.Accept(textFragmentAbsorber);
// Získejte extrahované fragmenty textu
TextFragmentCollection textFragmentCollection = textFragmentAbsorber.TextFragments;
// Projděte fragmenty
foreach (TextFragment textFragment in textFragmentCollection)
{
Console.WriteLine("Text : {0} ", textFragment.Text);
Console.WriteLine("Position : {0} ", textFragment.Position);
Console.WriteLine("XIndent : {0} ", textFragment.Position.XIndent);
Console.WriteLine("YIndent : {0} ", textFragment.Position.YIndent);
Console.WriteLine("Font - Name : {0}", textFragment.TextState.Font.FontName);
Console.WriteLine("Font - IsAccessible : {0} ", textFragment.TextState.Font.IsAccessible);
Console.WriteLine("Font - IsEmbedded : {0} ", textFragment.TextState.Font.IsEmbedded);
Console.WriteLine("Font - IsSubset : {0} ", textFragment.TextState.Font.IsSubset);
Console.WriteLine("Font Size : {0} ", textFragment.TextState.FontSize);
Console.WriteLine("Foreground Color : {0} ", textFragment.TextState.ForegroundColor);
}
Závěr
Gratulujeme! Úspěšně jste se naučili, jak vyhledávat a získávat text, který odpovídá regulárnímu výrazu v dokumentu PDF pomocí Aspose.PDF for .NET. Tento výukový program poskytl průvodce krok za krokem, od načtení dokumentu až po přístup k extrahovaným fragmentům textu. Nyní můžete tento kód začlenit do svých vlastních projektů C# a provádět pokročilé vyhledávání textu v souborech PDF.
FAQ
Otázka: Jaký je účel výukového programu „Hledat regulární výraz v souboru PDF“?
Odpověď: Výukový program „Vyhledat regulární výraz v souboru PDF“ si klade za cíl předvést, jak používat knihovnu Aspose.PDF pro .NET k vyhledávání a extrahování textu, který odpovídá zadanému vzoru regulárního výrazu v souboru PDF. Výukový program poskytuje komplexní návod a ukázkový kód C# pro demonstraci procesu.
Otázka: Jak tento kurz pomáhá při hledání textu pomocí regulárních výrazů v dokumentu PDF?
Odpověď: Tento tutoriál poskytuje podrobný přístup k používání knihovny Aspose.PDF k provádění textového vyhledávání v dokumentu PDF na základě vzoru regulárních výrazů. Podrobně popisuje, jak nastavit projekt, načíst dokument PDF, definovat vzor regulárního výrazu a načíst odpovídající textové fragmenty.
Otázka: Jaké jsou předpoklady pro následování tohoto kurzu?
Odpověď: Než začnete s tímto tutoriálem, měli byste mít základní znalosti programovacího jazyka C#. Navíc musíte mít nainstalovanou knihovnu Aspose.PDF for .NET. Můžete jej získat z webu Aspose nebo jej pomocí NuGet integrovat do svého projektu.
Otázka: Jak nastavím svůj projekt, aby následoval tento tutoriál?
Odpověď: Pro začátek vytvořte nový projekt C# ve vašem preferovaném integrovaném vývojovém prostředí (IDE) a přidejte odkaz na knihovnu Aspose.PDF for .NET. To vám umožní využít možnosti knihovny v rámci vašeho projektu.
Otázka: Mohu použít regulární výrazy k vyhledávání textu v dokumentu PDF?
Odpověď: Ano, tento tutoriál ukazuje, jak používat regulární výrazy k vyhledávání a extrahování textu z dokumentu PDF. Zahrnuje využitíTextFragmentAbsorber
třídy a zadáním vzoru regulárního výrazu k nalezení frází, které odpovídají poskytnutému vzoru.
Otázka: Jak mohu definovat vzor regulárního výrazu pro textové vyhledávání?
A: Chcete-li definovat vzor regulárního výrazu pro textové vyhledávání, vytvořte aTextFragmentAbsorber
objekt a nastavte jeho vzor pomocíText
parametr. Nahradit výchozí vzor"\\d{4}-\\d{4}"
v kódu výukového programu s požadovaným vzorem regulárního výrazu.
Otázka: Jak mohu povolit použití regulárních výrazů pro textové vyhledávání?
A: Použití regulárního výrazu je umožněno vytvořením aTextSearchOptions
objektu a nastavení jeho hodnoty natrue
. Přiřaďte tento objekt kTextSearchOptions
vlastnictvímTextFragmentAbsorber
instance. Tím je zajištěno, že se při vyhledávání textu použije vzor regulárního výrazu.
Otázka: Mohu načíst fragmenty textu, které odpovídají vzoru regulárního výrazu?
A: Rozhodně. Po použití hledání regulárních výrazů na dokument PDF můžete získat extrahované textové fragmenty pomocíTextFragments
vlastnictvímTextFragmentAbsorber
objekt. Tyto textové fragmenty obsahují textové segmenty, které odpovídají zadanému vzoru regulárního výrazu.
Otázka: K čemu mám přístup z načtených fragmentů textu?
Odpověď: Z načtených textových fragmentů můžete přistupovat k různým vlastnostem, jako je obsah shodného textu, poloha (souřadnice X a Y), informace o písmu (název, velikost, barva) a další. Ukázkový kód ve smyčce kurzu ukazuje, jak získat přístup k těmto vlastnostem a jak je zobrazit.
Otázka: Jak mohu přizpůsobit akce s extrahovanými fragmenty textu?
Odpověď: Jakmile budete mít extrahované fragmenty textu, můžete upravit kód ve smyčce tak, aby s každým fragmentem textu provedl další akce. To může zahrnovat ukládání extrahovaného textu, analýzu vzorů nebo implementaci změn formátování na základě vašich požadavků.