Extraire le texte des colonnes dans un fichier PDF
Ce didacticiel vous guidera tout au long du processus d’extraction du texte des colonnes dans un fichier PDF à l’aide d’Aspose.PDF pour .NET. Le code source C# fourni montre les étapes nécessaires.
Exigences
Avant de commencer, assurez-vous d’avoir les éléments suivants :
- Visual Studio ou tout autre compilateur C# installé sur votre machine.
- Aspose.PDF pour la bibliothèque .NET. Vous pouvez le télécharger depuis le site officiel d’Aspose ou utiliser un gestionnaire de packages comme NuGet pour l’installer.
Étape 1 : Configurer le projet
- Créez un nouveau projet C# dans votre environnement de développement préféré.
- Ajoutez une référence à la bibliothèque Aspose.PDF pour .NET.
Étape 2 : Importer les espaces de noms requis
Dans le fichier de code dans lequel vous souhaitez extraire le texte des colonnes, ajoutez les directives using suivantes en haut du fichier :
using Aspose.Pdf;
using Aspose.Pdf.Text;
using System.IO;
Étape 3 : Définir le répertoire des documents
Dans le code, localisez la ligne qui ditstring dataDir = "YOUR DOCUMENT DIRECTORY"; et remplacer"YOUR DOCUMENT DIRECTORY" avec le chemin d’accès au répertoire où sont stockés vos documents.
Étape 4 : Ouvrez le document PDF
Ouvrez un document PDF existant à l’aide duDocumentconstructeur et en transmettant le chemin d’accès au fichier PDF d’entrée.
Document pdfDocument = new Document(dataDir + "ExtractTextPage.pdf");
Étape 5 : Ajustez la taille de la police
Réduisez la taille de la police des fragments de texte d’un facteur 0,7 pour améliorer la lisibilité et mieux représenter le texte en colonnes.
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;
}
Étape 6 : Extraire le texte des colonnes
Enregistrez le document PDF modifié dans un flux mémoire et rechargez-le en tant que nouveau document. Ensuite, utilisez leTextAbsorber classe pour extraire le texte des colonnes.
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);
Étape 7 : Enregistrez le texte extrait
Enregistrez le texte extrait dans un fichier texte au chemin du fichier de sortie spécifié.
dataDir = dataDir + "ExtractColumnsText_out.txt";
File.WriteAllText(dataDir, extractedText);
Console.WriteLine("\nColumns text extracted successfully from Pages of PDF Document.\nFile saved at " + dataDir);
Exemple de code source pour extraire le texte des colonnes à l’aide d’Aspose.PDF pour .NET
// Le chemin d'accès au répertoire des documents.
string dataDir = "YOUR DOCUMENT DIRECTORY";
// Ouvrir le document
Document pdfDocument = new Document(dataDir + "ExtractTextPage.pdf");
TextFragmentAbsorber tfa = new TextFragmentAbsorber();
pdfDocument.Pages.Accept(tfa);
TextFragmentCollection tfc = tfa.TextFragments;
foreach (TextFragment tf in tfc)
{
// Besoin de réduire la taille de la police d'au moins 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);
Conclusion
Vous avez réussi à extraire le texte des colonnes d’un document PDF à l’aide d’Aspose.PDF pour .NET. Le texte extrait a été enregistré dans le fichier de sortie spécifié.
FAQ
Q : Quel est le but de ce tutoriel ?
R : Ce didacticiel propose un guide étape par étape sur l’extraction de colonnes de texte à partir d’un fichier PDF à l’aide d’Aspose.PDF pour .NET. Le code source C# fourni fournit une démonstration pratique des procédures requises.
Q : Quels espaces de noms dois-je importer ?
R : Dans le fichier de code dans lequel vous souhaitez extraire des colonnes de texte, incluez les directives using suivantes au début du fichier :
using Aspose.Pdf;
using Aspose.Pdf.Text;
using System.IO;
Q : Comment spécifier le répertoire des documents ?
R : Localisez la lignestring dataDir = "YOUR DOCUMENT DIRECTORY"; dans le code et remplacez"YOUR DOCUMENT DIRECTORY" avec le chemin réel vers votre répertoire de documents.
Q : Comment puis-je ouvrir un document PDF existant ?
R : À l’étape 4, vous ouvrirez un document PDF existant à l’aide de l’outilDocument constructeur et fournissant le chemin d’accès au fichier PDF d’entrée.
Q : Pourquoi la taille de la police est-elle ajustée ?
R : L’étape 5 consiste à réduire la taille de la police des fragments de texte d’un facteur 0,7. Cet ajustement améliore la lisibilité et représente plus précisément le texte en colonnes.
Q : Comment extraire le texte des colonnes ?
R : L’étape 6 consiste à enregistrer le document PDF modifié dans un flux mémoire, à le recharger en tant que nouveau document, puis à utiliser leTextAbsorber classe pour extraire le texte des colonnes.
Q : Quel est le but de sauvegarder le texte extrait ?
R : À l’étape 7, vous enregistrerez le texte extrait dans un fichier texte au chemin du fichier de sortie spécifié.
Q : Pourquoi réduire la taille de la police avant l’extraction ?
R : La réduction de la taille de la police permet de garantir que le texte extrait s’aligne correctement dans les colonnes, offrant ainsi une représentation plus précise de la mise en page d’origine.
Q : Quel est le principal point à retenir de ce didacticiel ?
R : En suivant ce didacticiel, vous avez acquis les connaissances et les compétences nécessaires pour extraire des colonnes de texte d’un document PDF à l’aide d’Aspose.PDF pour .NET. Le texte résultant a été enregistré dans le fichier de sortie spécifié.
