Pesquisar e obter página de texto em arquivo PDF

Introdução

Você já se viu precisando procurar por um texto específico dentro de um documento PDF e extraí-lo para uso posterior? Talvez você esteja construindo um aplicativo que processa documentos e requer extração precisa de dados, ou talvez você só precise analisar PDFs de forma eficiente. Seja qual for o seu caso, você está no lugar certo! Neste tutorial, vamos nos aprofundar em como pesquisar e obter texto de uma página em um arquivo PDF usando o Aspose.PDF para .NET. Seja você um iniciante ou um desenvolvedor experiente, este guia o guiará por cada etapa de uma maneira conversacional e envolvente. Pronto para começar? Vamos começar!

Pré-requisitos

Antes de começarmos a codificar, vamos garantir que você tenha tudo o que precisa:

  1. Biblioteca Aspose.PDF para .NET: Você pode baixá-la emaqui ou obtenha uma versão de teste gratuita no mesmo link. Para comprar, vá para oLoja Aspose.
  2. .NET Framework: você precisará de um ambiente de desenvolvimento .NET funcional, como o Visual Studio.
  3. Um arquivo PDF: Você precisará de um arquivo PDF de amostra onde podemos pesquisar e extrair o texto. Para este tutorial, vamos supor que o arquivo seja chamadoSearchAndGetTextPage.pdf.

Pacotes de importação

Primeiro, precisamos importar os namespaces necessários para trabalhar com Aspose.PDF para .NET. Certifique-se de que eles estejam incluídos no topo do seu código.

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

Agora que cobrimos os pré-requisitos, vamos dividir o código passo a passo. Cada passo foi claramente delineado para facilitar o acompanhamento.

Etapa 1: Defina o caminho para o diretório de documentos

Antes de interagir com seu PDF, você precisará definir o caminho para onde seu documento PDF está armazenado. Isso garante que o programa possa acessar o arquivo.

string dataDir = "YOUR DOCUMENT DIRECTORY";
  • dataDir: Este é o caminho para a pasta onde seus arquivos PDF são armazenados. Substituir"YOUR DOCUMENT DIRECTORY" com o caminho real onde o PDF está localizado.

Etapa 2: Carregue o documento PDF

O próximo passo é carregar o documento PDF na memória para que você possa trabalhar com ele. Veja como:

Document pdfDocument = new Document(dataDir + "SearchAndGetTextPage.pdf");
  • Documento: Esta é a classe Aspose.PDF que carrega o arquivo PDF.
  • pdfDocument: A variável onde seu arquivo PDF é armazenado após ser carregado.

Etapa 3: Crie um objeto absorvedor de texto

OTextFragmentAbsorberclass permite que você pesquise por texto específico dentro do PDF. Vamos criar uma instância desta classe para encontrar todas as instâncias de uma dada frase de pesquisa.

TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("Figure");
  • TextFragmentAbsorber: Esta classe é responsável por localizar e extrair texto do PDF.
  • “Figura”: substitua por qualquer texto que você deseja pesquisar no PDF.

Etapa 4: aplique o Text Absorber em todo o PDF

Depois que o absorvedor de texto estiver configurado, você precisa dizer ao programa para pesquisar em todas as páginas do PDF.

pdfDocument.Pages.Accept(textFragmentAbsorber);
  • Accept(): Este método aplica o absorvedor de texto ao PDF, verificando cada página em busca do texto especificado.

Etapa 5: recuperar e iterar pelo texto extraído

Agora que escaneamos o PDF, é hora de recuperar os resultados e exibi-los. Faremos um loop pelos fragmentos de texto extraídos.

TextFragmentCollection textFragmentCollection = textFragmentAbsorber.TextFragments;
  • TextFragmentCollection: Esta coleção contém todas as instâncias dos fragmentos de texto encontrados pelo absorvedor de texto.

Etapa 6: faça um loop em cada fragmento e extraia os dados

Agora faremos um loop pelotextFragmentCollection e extrair várias propriedades de cada segmento de texto, como sua posição, detalhes de fonte e cor.

foreach (TextFragment textFragment in textFragmentCollection)
{
	foreach (TextSegment textSegment in textFragment.Segments)
	{
		Console.WriteLine("Text : {0} ", textSegment.Text);
		Console.WriteLine("Position : {0} ", textSegment.Position);
		Console.WriteLine("XIndent : {0} ", textSegment.Position.XIndent);
		Console.WriteLine("YIndent : {0} ", textSegment.Position.YIndent);
		Console.WriteLine("Font - Name : {0}", textSegment.TextState.Font.FontName);
		Console.WriteLine("Font - IsAccessible : {0} ", textSegment.TextState.Font.IsAccessible);
		Console.WriteLine("Font - IsEmbedded : {0} ", textSegment.TextState.Font.IsEmbedded);
		Console.WriteLine("Font - IsSubset : {0} ", textSegment.TextState.Font.IsSubset);
		Console.WriteLine("Font Size : {0} ", textSegment.TextState.FontSize);
		Console.WriteLine("Foreground Color : {0} ", textSegment.TextState.ForegroundColor);
	}
}
  • TextFragment: Cada fragmento contém partes do texto encontrado.
  • TextSegment: Cada fragmento pode ter vários segmentos, representando diferentes partes do texto.
  • TextState: fornece informações detalhadas sobre a fonte, o tamanho e a cor do texto.

Neste loop, imprimimos detalhes como o texto real, sua posição (coordenadas X e Y), a fonte, se a fonte está incorporada no PDF e a cor de primeiro plano do texto.

Conclusão

E aí está! Agora você pesquisou e extraiu com sucesso o texto de um arquivo PDF usando o Aspose.PDF para .NET. É incrível quanta flexibilidade você tem com esta biblioteca. Se você precisa pesquisar um texto específico em um documento grande, extraí-lo ou analisar suas propriedades, o Aspose.PDF torna isso muito fácil. Além disso, com o código que abordamos, você está bem equipado para adaptá-lo às suas necessidades.

Perguntas frequentes

Posso pesquisar várias frases de uma só vez?

Sim, você pode modificar o código para pesquisar várias frases criando váriasTextFragmentAbsorber objetos.

Como posso extrair texto de uma página específica?

Você pode direcionar uma página específica aplicando oTextFragmentAbsorber para uma única página em vez de todo o documento. Por exemplo:pdfDocument.Pages[1].Accept(textFragmentAbsorber);.

O Aspose.PDF para .NET é gratuito?

Aspose.PDF é um produto comercial, mas você pode usá-lo com umteste gratuito.

Posso extrair imagens do PDF usando o Aspose.PDF?

Sim, o Aspose.PDF permite que você extraia imagens além de texto. Verifique odocumentação para mais detalhes.

E se eu precisar de mais ajuda ou suporte?

Você sempre pode obter ajuda doFórum de suporte Aspose.

Pesquisar e obter texto tudo Pesquisar Expressão Regular em Arquivo PDF