Extraheer tekst met behulp van een tekstapparaat

Deze tutorial leidt u door het proces van het extraheren van tekst uit een PDF-document met behulp van het Text Device in Aspose.PDF voor .NET. De meegeleverde C#-broncode demonstreert de noodzakelijke stappen.

Vereisten

Zorg ervoor dat u over het volgende beschikt voordat u begint:

• Visual Studio of een andere C#-compiler die op uw computer is geïnstalleerd.
• Aspose.PDF voor .NET-bibliotheek. Je kunt het downloaden van de officiële Aspose-website of een pakketbeheerder zoals NuGet gebruiken om het te installeren.

Stap 1: Zet het project op

1. Maak een nieuw C#-project in de ontwikkelomgeving van uw voorkeur.
2. Voeg een verwijzing toe naar de Aspose.PDF voor .NET-bibliotheek.

Stap 2: Importeer de vereiste naamruimten

Voeg in het codebestand waarin u tekst wilt extraheren het volgende toe met behulp van richtlijnen bovenaan het bestand:

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

Stap 3: Stel de documentmap in

Zoek in de code de regel met de tekststring dataDir = "YOUR DOCUMENT DIRECTORY"; en vervangen"YOUR DOCUMENT DIRECTORY" met het pad naar de map waar uw documenten zijn opgeslagen.

Stap 4: Open het PDF-document

Open een bestaand PDF-document met behulp van deDocumentconstructor en geef het pad door aan het invoer-PDF-bestand.

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

Stap 5: Extraheer tekst met behulp van Text Device

Maak eenStringBuilder object om de geëxtraheerde tekst vast te houden. Blader door elke pagina van het document en gebruik eenTextDevice om de tekst van elke pagina te extraheren.

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);
}

Stap 6: Sla de geëxtraheerde tekst op

Geef het pad voor het uitvoerbestand op en sla de geëxtraheerde tekst op in een tekstbestand met behulp van deFile.WriteAllText methode.

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

Voorbeeldbroncode voor het extraheren van tekst met behulp van een tekstapparaat met Aspose.PDF voor .NET

// Het pad naar de documentenmap.
string dataDir = "YOUR DOCUMENT DIRECTORY";
// Document openen
Document pdfDocument = new Document( dataDir + "input.pdf");
System.Text.StringBuilder builder = new System.Text.StringBuilder();
//Tekenreeks om geëxtraheerde tekst vast te houden
string extractedText = "";
foreach (Page pdfPage in pdfDocument.Pages)
{
	using (MemoryStream textStream = new MemoryStream())
	{
		// Maak een tekstapparaat
		TextDevice textDevice = new TextDevice();
		// Opties voor tekstextractie instellen - tekstextractiemodus instellen (Raw of Pure)
		TextExtractionOptions textExtOptions = new
		TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure);
		textDevice.ExtractionOptions = textExtOptions;
		// Converteer een bepaalde pagina en sla tekst op in de stream
		textDevice.Process(pdfPage, textStream);
		// Converteer een bepaalde pagina en sla tekst op in de stream
		textDevice.Process(pdfDocument.Pages[1], textStream);
		// Sluit de geheugenstroom
		textStream.Close();
		// Haal tekst op uit de geheugenstroom
		extractedText = Encoding.Unicode.GetString(textStream.ToArray());
	}
	builder.Append(extractedText);
}
dataDir = dataDir + "input_Text_Extracted_out.txt";
// Sla de geëxtraheerde tekst op in een tekstbestand
File.WriteAllText(dataDir, builder.ToString());
Console.WriteLine("\nText extracted successfully using text device from page of PDF Document.\nFile saved at " + dataDir);

Conclusie

U hebt met succes tekst uit een PDF-document geëxtraheerd met behulp van het tekstapparaat in Aspose.PDF voor .NET. De geëxtraheerde tekst is opgeslagen in het opgegeven uitvoerbestand.

Veelgestelde vragen

Vraag: Wat is het doel van deze tutorial?

A: Deze tutorial biedt richtlijnen voor het extraheren van tekst uit een PDF-document met behulp van de functie Tekstapparaat in Aspose.PDF voor .NET. De begeleidende C#-broncode demonstreert de noodzakelijke stappen om deze taak te volbrengen.

Vraag: Welke naamruimten moet ik importeren?

A: In het codebestand waarin u tekst wilt extraheren, neemt u de volgende gebruiksinstructies op aan het begin van het bestand:

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

Vraag: Hoe geef ik de documentmap op?

A: Zoek in de code de regel die zegtstring dataDir = "YOUR DOCUMENT DIRECTORY"; en vervangen"YOUR DOCUMENT DIRECTORY" met het daadwerkelijke pad naar uw documentmap.

Vraag: Hoe open ik een bestaand PDF-document?

A: In stap 4 opent u een bestaand PDF-document met behulp van deDocument constructor en het pad naar het invoer-PDF-bestand opgeven.

Vraag: Hoe extraheer ik tekst met het tekstapparaat?

A: Stap 5 omvat het maken van eenStringBuilder object om de geëxtraheerde tekst vast te houden. Vervolgens doorloopt u elke pagina van het document en gebruikt u aTextDevice samen metTextExtractionOptions om tekst uit elke pagina te extraheren.

Vraag: Hoe sla ik de geëxtraheerde tekst op in een bestand?

A: In stap 6 specificeert u het pad van het uitvoerbestand en gebruikt u deFile.WriteAllTextmethode om de geëxtraheerde tekst in een tekstbestand op te slaan.

Vraag: Wat is de belangrijkste conclusie uit deze tutorial?

A: Door deze tutorial te volgen, heeft u geleerd hoe u de functie Tekstapparaat in Aspose.PDF voor .NET kunt gebruiken om tekst uit een PDF-document te extraheren. De geëxtraheerde tekst is opgeslagen in een gespecificeerd uitvoerbestand, zodat u de geëxtraheerde inhoud naar behoefte kunt manipuleren en gebruiken.