Extraer texto de columnas en un archivo PDF
Este tutorial lo guiará a través del proceso de extracción de texto de columnas en un archivo PDF usando Aspose.PDF para .NET. El código fuente de C# proporcionado demuestra los pasos necesarios.
Requisitos
Antes de comenzar, asegúrese de tener lo siguiente:
- Visual Studio o cualquier otro compilador de C# instalado en su máquina.
- Aspose.PDF para la biblioteca .NET. Puede descargarlo del sitio web oficial de Aspose o utilizar un administrador de paquetes como NuGet para instalarlo.
Paso 1: configurar el proyecto
- Cree un nuevo proyecto de C# en su entorno de desarrollo preferido.
- Agregue una referencia a la biblioteca Aspose.PDF para .NET.
Paso 2: importar los espacios de nombres necesarios
En el archivo de código donde desea extraer el texto de las columnas, agregue lo siguiente usando directivas en la parte superior del archivo:
using Aspose.Pdf;
using Aspose.Pdf.Text;
using System.IO;
Paso 3: configurar el directorio de documentos
En el código, localice la línea que dicestring dataDir = "YOUR DOCUMENT DIRECTORY"; y reemplazar"YOUR DOCUMENT DIRECTORY" con la ruta al directorio donde están almacenados sus documentos.
Paso 4: abre el documento PDF
Abra un documento PDF existente usando elDocumentconstructor y pasando la ruta al archivo PDF de entrada.
Document pdfDocument = new Document(dataDir + "ExtractTextPage.pdf");
Paso 5: ajusta el tamaño de fuente
Reduzca el tamaño de fuente de los fragmentos de texto en un factor de 0,7 para mejorar la legibilidad y representar mejor el texto en columnas.
TextFragmentAbsorber tfa = new TextFragmentAbsorber();
pdfDocument.Pages.Accept(tfa);
TextFragmentCollection tfc = tfa.TextFragments;
foreach(TextFragment tf in tfc)
{
tf.TextState.FontSize = tf.TextState.FontSize * 0.7f;
}
Paso 6: extraer texto de las columnas
Guarde el documento PDF modificado en una secuencia de memoria y vuelva a cargarlo como un documento nuevo. Luego, utiliza elTextAbsorber clase para extraer texto de las columnas.
Stream st = new MemoryStream();
pdfDocument.Save(st);
pdfDocument = new Document(st);
TextAbsorber textAbsorber = new TextAbsorber();
pdfDocument.Pages.Accept(textAbsorber);
String extractedText = textAbsorber.Text;
textAbsorber.Visit(pdfDocument);
Paso 7: guarde el texto extraído
Guarde el texto extraído en un archivo de texto en la ruta del archivo de salida especificada.
dataDir = dataDir + "ExtractColumnsText_out.txt";
File.WriteAllText(dataDir, extractedText);
Console.WriteLine("\nColumns text extracted successfully from Pages of PDF Document.\nFile saved at " + dataDir);
Código fuente de muestra para extraer texto de columnas usando Aspose.PDF para .NET
// La ruta al directorio de documentos.
string dataDir = "YOUR DOCUMENT DIRECTORY";
// Abrir documento
Document pdfDocument = new Document(dataDir + "ExtractTextPage.pdf");
TextFragmentAbsorber tfa = new TextFragmentAbsorber();
pdfDocument.Pages.Accept(tfa);
TextFragmentCollection tfc = tfa.TextFragments;
foreach (TextFragment tf in tfc)
{
// Es necesario reducir el tamaño de fuente al menos en un 70%.
tf.TextState.FontSize = tf.TextState.FontSize * 0.7f;
}
Stream st = new MemoryStream();
pdfDocument.Save(st);
pdfDocument = new Document(st);
TextAbsorber textAbsorber = new TextAbsorber();
pdfDocument.Pages.Accept(textAbsorber);
String extractedText = textAbsorber.Text;
textAbsorber.Visit(pdfDocument);
dataDir = dataDir + "ExtractColumnsText_out.txt";
System.IO.File.WriteAllText(dataDir, extractedText);
Console.WriteLine("\nColumns text extracted successfully from Pages of PDF Document.\nFile saved at " + dataDir);
Conclusión
Ha extraído con éxito el texto de las columnas de un documento PDF utilizando Aspose.PDF para .NET. El texto extraído se ha guardado en el archivo de salida especificado.
Preguntas frecuentes
P: ¿Cuál es el propósito de este tutorial?
R: Este tutorial ofrece una guía paso a paso sobre cómo extraer columnas de texto de un archivo PDF usando Aspose.PDF para .NET. El código fuente C# adjunto proporciona una demostración práctica de los procedimientos necesarios.
P: ¿Qué espacios de nombres debo importar?
R: En el archivo de código donde desea extraer columnas de texto, incluya las siguientes directivas de uso al principio del archivo:
using Aspose.Pdf;
using Aspose.Pdf.Text;
using System.IO;
P: ¿Cómo especifico el directorio de documentos?
R: Localice la líneastring dataDir = "YOUR DOCUMENT DIRECTORY"; en el código y reemplazar"YOUR DOCUMENT DIRECTORY" con la ruta real a su directorio de documentos.
P: ¿Cómo abro un documento PDF existente?
R: En el Paso 4, abrirá un documento PDF existente usando elDocument constructor y proporcionando la ruta al archivo PDF de entrada.
P: ¿Por qué se ajusta el tamaño de fuente?
R: El paso 5 implica reducir el tamaño de fuente de los fragmentos de texto en un factor de 0,7. Este ajuste mejora la legibilidad y representa con mayor precisión el texto en columnas.
P: ¿Cómo extraigo texto de las columnas?
R: El paso 6 consiste en guardar el documento PDF modificado en una secuencia de memoria, recargarlo como un documento nuevo y luego usar elTextAbsorber clase para extraer texto de las columnas.
P: ¿Cuál es el propósito de guardar el texto extraído?
R: En el paso 7, guardará el texto extraído en un archivo de texto en la ruta del archivo de salida especificada.
P: ¿Por qué reducir el tamaño de fuente antes de la extracción?
R: Reducir el tamaño de la fuente ayuda a garantizar que el texto extraído se alinee correctamente dentro de las columnas, lo que proporciona una representación más precisa del diseño original.
P: ¿Cuál es la conclusión clave de este tutorial?
R: Al seguir este tutorial, habrá adquirido los conocimientos y las habilidades necesarios para extraer columnas de texto de un documento PDF utilizando Aspose.PDF para .NET. El texto resultante se ha guardado en el archivo de salida especificado.
