Zoek reguliere expressie in PDF-bestand

Invoering

Bij het werken met grote PDF-documenten kan het zijn dat u op zoek bent naar specifieke patronen of formaten, zoals datums, telefoonnummers of andere gestructureerde gegevens. Het handmatig doornemen van de PDF kan vervelend zijn, toch? Hier komt het gebruik van een reguliere expressie (regex) goed van pas. In deze tutorial onderzoeken we hoe u naar een regulier expressiepatroon in een PDF-bestand kunt zoeken met Aspose.PDF voor .NET. Deze handleiding leidt u door elke stap, zodat u het eenvoudig kunt implementeren in uw .NET-toepassing.

Vereisten

Voordat we met de stapsgewijze handleiding beginnen, leggen we eerst uit wat u allemaal nodig hebt:

  • Aspose.PDF voor .NET: Deze bibliotheek moet geïnstalleerd zijn. Als u deze nog niet geïnstalleerd hebt, kunt udownload het hier.
  • IDE: Visual Studio of een andere C#-compatibele IDE.
  • .NET Framework: Zorg ervoor dat uw project is ingesteld met de juiste versie van .NET Framework.
  • Basiskennis van C#: Hoewel deze gids gedetailleerd is, is een basiskennis van C# nuttig.

Pakketten importeren

Om te beginnen moet u de benodigde naamruimten van Aspose.PDF voor .NET importeren in uw project. Deze pakketten zijn essentieel voor het werken met PDF’s en het uitvoeren van zoekopdrachten met behulp van regex.

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

Laten we het proces van het zoeken naar reguliere expressies in een PDF-bestand met behulp van Aspose.PDF opsplitsen in meerdere stappen.

Stap 1: De documentenmap instellen

Elke PDF-bewerking begint met het opgeven waar uw document zich bevindt. U moet het pad naar uw PDF-bestand definiëren, dat is opgeslagen in dedataDir variabel.

Stap 1.1: Definieer uw documentpad

// Definieer het pad naar uw PDF-document
string dataDir = "YOUR DOCUMENT DIRECTORY";

Vervangen"YOUR DOCUMENT DIRECTORY" met het daadwerkelijke pad naar uw PDF-bestand. Deze stap is cruciaal omdat het uw code naar het bestand verwijst waarmee u wilt werken.

Stap 1.2: Open het PDF-document

Vervolgens moet u het PDF-document openen met behulp van deDocument klas van Aspose.PDF.

// Open het document
Document pdfDocument = new Document(dataDir + "SearchRegularExpressionAll.pdf");

Hier,"SearchRegularExpressionAll.pdf" is het voorbeeld-PDF-bestand waarin we de regex-zoekopdracht uitvoeren.

Stap 2: TextFragmentAbsorber instellen

Dit is waar de magie gebeurt!TextFragmentAbsorber klasse helpt bij het vastleggen van tekstfragmenten die overeenkomen met een specifiek patroon of reguliere expressie.

Laten we de absorber instellen om patronen te vinden met behulp van een regex. In dit geval zoeken we naar een patroon van jaren zoals “1999-2000”.

// Maak een TextAbsorber-object om alle zinnen te vinden die overeenkomen met de reguliere expressie
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("\\d{4}-\\d{4}"); // Zoals 1999-2000

De reguliere expressie\\d{4}-\\d{4} zoekt naar een patroon van vier cijfers gevolgd door een koppelteken en nog eens vier cijfers, wat typisch is voor jaartallen.

Stap 3: Schakel reguliere expressiezoekopdrachten in

Om ervoor te zorgen dat de zoekbewerking het patroon als een reguliere expressie interpreteert, moet u de zoekopties configureren met behulp van deTextSearchOptions klas.

// Stel de optie voor tekst zoeken in om het gebruik van reguliere expressies te specificeren
TextSearchOptions textSearchOptions = new TextSearchOptions(true);
textFragmentAbsorber.TextSearchOptions = textSearchOptions;

Het instellen van deTextSearchOptions naartrue zorgt ervoor dat de absorber gebruikmaakt van zoeken op basis van reguliere expressies in plaats van platte tekst.

Stap 4: Accepteer de tekstabsorber

In deze fase past u de tekstabsorber toe op het PDF-document, zodat deze de zoekbewerking kan uitvoeren. Dit doet u door deAccept methode op dePages object van het PDF-document.

// Accepteer de absorber voor alle pagina's
pdfDocument.Pages.Accept(textFragmentAbsorber);

Met deze opdracht worden alle pagina’s van de PDF verwerkt en wordt gezocht naar tekst die overeenkomt met de reguliere expressie.

Stap 5: De resultaten extraheren en weergeven

Nadat de zoekopdracht is voltooid, moet u de resultaten extraheren.TextFragmentAbsorber slaat deze resultaten op in eenTextFragmentCollectionU kunt door deze verzameling heen bladeren om elk overeenkomend tekstfragment te openen en weer te geven.

Stap 5.1: De geëxtraheerde tekstfragmenten ophalen

// Haal de geëxtraheerde tekstfragmenten op
TextFragmentCollection textFragmentCollection = textFragmentAbsorber.TextFragments;

Nu u de fragmenten hebt verzameld, is het tijd om ze te doorlopen en de relevante details weer te geven, zoals de tekst, positie, lettertypedetails en meer.

Stap 5.2: Loop door de fragmenten

// Loop door de fragmenten
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);
}

Voor elkTextFragment, worden de details zoals lettergrootte, lettertypenaam en positie afgedrukt. Dit helpt niet alleen bij het vinden van de tekst, maar geeft u ook de exacte opmaak en locatie.

Conclusie

Daar heb je het! Het zoeken naar patronen in een PDF-bestand met behulp van reguliere expressies is ongelooflijk krachtig, vooral voor gestructureerde tekst zoals datums, telefoonnummers en vergelijkbare patronen. Aspose.PDF voor .NET biedt een naadloze manier om dergelijke bewerkingen eenvoudig uit te voeren. Nu kun je de kracht van reguliere expressies gebruiken om PDF-tekst zoeken te automatiseren, waardoor je workflow efficiënter wordt.

Veelgestelde vragen

Kan ik naar meerdere patronen in één PDF zoeken?

Ja, u kunt meerdereTextFragmentAbsorber objecten, elk met verschillende regex-patronen, in dezelfde PDF.

Ondersteunt Aspose.PDF het zoeken naar hoofdletterongevoelige patronen?

Absoluut! U kunt deTextSearchOptions om de zoekopdracht hoofdlettergevoelig te maken.

Is er een limiet aan de grootte van het PDF-bestand waarin ik kan zoeken?

Er is geen strikte limiet, maar de prestaties kunnen variëren afhankelijk van de grootte van de PDF en de complexiteit van het regex-patroon.

Kan ik de gevonden tekst in de PDF markeren?

Ja, met Aspose.PDF kunt u de tekst markeren of zelfs vervangen nadat deze met behulp van de absorber is gevonden.

Hoe ga ik om met fouten als het patroon niet wordt gevonden?

Als er geen overeenkomsten worden gevonden,TextFragmentCollection zal leeg zijn. U kunt dit scenario afhandelen met een eenvoudige controle voordat u door de resultaten heenloopt.

Zoeken en tekstpagina ophalen in PDF-bestand Zoek tekst en voeg hyperlink toe