Rechercher et obtenir tout le texte

Introduction

Avez-vous déjà eu besoin d’extraire un texte spécifique d’un PDF mais vous avez trouvé cela compliqué ? Les PDF peuvent parfois ressembler à des conteneurs verrouillés, ce qui rend difficile l’obtention des informations dont vous avez besoin. Mais voici la bonne nouvelle : avec Aspose.PDF pour .NET, vous pouvez facilement rechercher et récupérer du texte à partir de n’importe quel PDF. Cette puissante bibliothèque fournit tout ce dont vous avez besoin pour travailler avec des PDF dans vos applications .NET, ce qui facilite l’extraction de texte. Dans ce didacticiel, nous vous guiderons tout au long du processus de recherche et d’extraction de texte à partir d’un fichier PDF à l’aide d’Aspose.PDF pour .NET. Que vous créiez un outil d’analyse de texte ou que vous ayez simplement besoin d’automatiser l’extraction de données à partir de rapports PDF, vous êtes au bon endroit !

Prérequis

Avant de passer au code, assurons-nous que tout est configuré :

  1. Aspose.PDF pour .NET : vous devez télécharger et installer Aspose.PDF pour .NET. Vous pouvez l’obtenir à partir de la page de téléchargementici.
  2. Environnement .NET : assurez-vous que .NET Framework ou .NET Core est configuré sur votre machine de développement.
  3. Connaissances de base en C## : une certaine familiarité avec C# et une utilisation de projets .NET sont recommandées.
  4. Document PDF : un exemple de fichier PDF à partir duquel nous allons extraire du texte. Dans cet exemple, nous utiliseronsSearchAndGetTextFromAll.pdf.

Paquets d’importation

Avant d’écrire du code, vous devez importer les espaces de noms nécessaires dans votre projet pour travailler avec Aspose.PDF.

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

Ces espaces de noms donnent accès au modèle d’objet de document du PDF et nous permettent de manipuler le texte dans le fichier.

Décomposons le processus en étapes simples afin que vous puissiez le suivre facilement.

Étape 1 : définir le répertoire du document

Tout d’abord, vous devez spécifier le chemin d’accès au répertoire où se trouve votre PDF. Cela permet à l’application de localiser le fichier à partir duquel vous allez extraire le texte.

// Le chemin vers le répertoire des documents.
string dataDir = "YOUR DOCUMENT DIRECTORY";
  • LedataDir la variable doit pointer vers le répertoire où se trouve votreSearchAndGetTextFromAll.pdf le fichier est stocké.
  • Remplacer"YOUR DOCUMENT DIRECTORY" avec le chemin réel sur votre machine.

Étape 2 : Ouvrir le document PDF

Ensuite, nous allons ouvrir le document PDF à l’aide d’Aspose.PDFDocument objet.

// Ouvrir le document
Document pdfDocument = new Document(dataDir + "SearchAndGetTextFromAll.pdf");
  • Nous créons une nouvelle instance de laDocument classe en passant le chemin complet du fichier PDF.
  • Cela chargera le PDF en mémoire, le rendant prêt à être traité.

Étape 3 : Créer un absorbeur de texte

LeTextFragmentAbsorber L’objet est utilisé pour rechercher un texte spécifique dans le PDF. Dans ce cas, nous rechercherons le mot « texte ».

// Créez un objet TextAbsorber pour rechercher toutes les instances de la phrase de recherche d'entrée
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("text");
  • LeTextFragmentAbsorber est initialisé avec la chaîne"text"Cela signifie qu’il recherchera toutes les occurrences du mot « texte » dans le document PDF.

Étape 4 : Accepter l’absorbeur pour toutes les pages

Maintenant, nous allons demander au document PDF d’accepter l’absorbeur et de rechercher le texte sur toutes ses pages.

// Accepter l'absorbeur pour toutes les pages
pdfDocument.Pages.Accept(textFragmentAbsorber);
  • LeAccept La méthode est appliquée aux pages du document. Elle recherchera le texte spécifié dans toutes les pages.

Étape 5 : Extraire des fragments de texte

Une fois que l’absorbeur a scanné le document, nous pouvons récupérer les fragments de texte extraits.

// Obtenir les fragments de texte extraits
TextFragmentCollection textFragmentCollection = textFragmentAbsorber.TextFragments;
  • LeTextFragments propriété de laTextFragmentAbsorber renvoie une collection de tous les fragments de texte correspondant au terme de recherche.

Étape 6 : Parcourir les fragments de texte

Maintenant que nous avons la collection de fragments de texte, nous allons les parcourir et extraire les détails.

// Boucle à travers les fragments
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);
}
  • Leforeach la boucle parcourt chaqueTextFragment dans la collection.
  • Nous imprimons diverses propriétés de chaque fragment, telles que le texte réel, sa position sur la page, les détails de la police et la taille de la police.
  • LeXIndent etYIndent les propriétés donnent les coordonnées exactes du fragment de texte dans le PDF.

Conclusion

Et voilà ! Avec seulement quelques lignes de code, nous avons réussi à rechercher et à extraire du texte d’un PDF à l’aide d’Aspose.PDF pour .NET. La flexibilité d’Aspose.PDF vous permet de manipuler les PDF de nombreuses manières, ce qui en fait un excellent choix pour les développeurs qui ont besoin de solutions PDF robustes dans des environnements .NET. Vous pouvez facilement étendre cet exemple pour rechercher d’autres mots, extraire plus de détails ou même manipuler le contenu PDF en fonction de vos besoins. Nous espérons que ce guide vous a donné une approche claire et simple pour travailler avec des PDF. Allez-y et essayez-le avec vos propres PDF !

FAQ

Puis-je rechercher plusieurs mots à la fois ?

Oui, vous pouvez modifier leTextFragmentAbsorber pour rechercher plusieurs phrases en ajustant la chaîne de recherche en conséquence.

Que se passe-t-il si le texte s’étend sur plusieurs lignes ?

Aspose.PDF reconnaîtra et extraira toujours le texte même s’il s’étend sur plusieurs lignes. Vous pouvez gérer ces fragments individuellement.

Comment enregistrer le texte extrait dans un fichier ?

Vous pouvez écrire le texte extrait dans un fichier à l’aide d’opérations d’E/S de fichier C# standard, telles queStreamWriter.

Aspose.PDF prend-il en charge l’extraction de texte à partir de fichiers PDF numérisés ?

Aspose.PDF ne prend pas en charge l’OCR. Pour les PDF numérisés, vous aurez besoin d’un outil OCR pour reconnaître le texte.

Comment gérer les PDF cryptés ?

Si votre PDF est protégé par mot de passe, vous pouvez le déverrouiller à l’aide d’Aspose.PDF en fournissant le mot de passe lors du chargement du document.

Faire pivoter le texte à l'aide du paragraphe de texte et du générateur dans un fichier PDF Rechercher et obtenir une page de texte dans un fichier PDF