Извлечь текст столбцов в файл PDF

Введение

Работаете ли вы с файлами PDF и вам нужно извлечь текст в определенном формате столбцов? Обрабатываете ли вы счета-фактуры, отчеты или любые структурированные документы, точное извлечение текста из PDF может быть сложным делом. Вот где Aspose.PDF для .NET вступает в игру, чтобы упростить процесс. В этом руководстве мы покажем вам, как с легкостью извлекать столбцы текста из файла PDF.

Предпосылки

Прежде чем погрузиться в код, давайте рассмотрим основные вещи, которые вам понадобятся:

  • Aspose.PDF для .NET: Убедитесь, что у вас установлена последняя версия Aspose.PDF для .NET. Если нет, вы можетескачать здесь.
  • Среда разработки: для работы с кодом вам понадобится Visual Studio или другая среда разработки .NET.
  • PDF-документ: держите под рукой образец PDF-документа, желательно со столбцами текста, так как мы будем извлекать из него текст.

Если вы еще не установили Aspose.PDF для .NET, вы можете скачатьбесплатная пробная версия иликупить лицензию для полных функций. Вы также можете подать заявку навременная лицензия если необходимо.

Импорт пространств имен

Чтобы использовать Aspose.PDF для .NET в своем проекте, вам необходимо импортировать следующие пространства имен:

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

Пошаговое руководство: извлечение столбцов текста из PDF-файла

Теперь давайте разберем каждую часть кода, чтобы лучше понять, как он работает. Следуйте за нами, шаг за шагом объясняя каждый сегмент процесса.

Шаг 1: Загрузите PDF-документ

Первое, что вам нужно сделать, это загрузить ваш PDF-файл вDocumentобъект. Вот как Aspose.PDF взаимодействует с вашим документом.

string dataDir = "YOUR DOCUMENT DIRECTORY";
Document pdfDocument = new Document(dataDir + "ExtractTextPage.pdf");

На этом этапе мы просто определяем каталог, в котором хранится ваш PDF-документ. Заменить"YOUR DOCUMENT DIRECTORY" с путем к вашему локальному PDF-файлу.Document объект загружает PDF-файл в память, делая его доступным для дальнейшей обработки.

Шаг 2: Настройка поглотителя фрагментов текста

Далее мы будем использоватьTextFragmentAbsorber для поглощения или захвата всего текста из файла PDF. Этот класс абсорбера предназначен для извлечения фрагментов текста из определенных областей в вашем PDF, что делает его идеальным для извлечения столбцов текста.

TextFragmentAbsorber tfa = new TextFragmentAbsorber();
pdfDocument.Pages.Accept(tfa);
TextFragmentCollection tfc = tfa.TextFragments;

Здесь мы создаем экземплярTextFragmentAbsorber и применить его ко всем страницам PDF-файла с помощьюAccept() .TextFragmentCollection сохраняет извлеченный текст, и из этой коллекции мы можем манипулировать или извлекать текст по мере необходимости.

Шаг 3: Настройте размер шрифта извлеченного текста.

После того, как вы захватили фрагменты текста, вы можете захотеть уменьшить размер шрифта, особенно если исходный текст слишком большой. В этом примере мы уменьшаем размер шрифта на 70%.

foreach (TextFragment tf in tfc)
{
    // Уменьшить размер шрифта на 70%
    tf.TextState.FontSize = tf.TextState.FontSize * 0.7f;
}

Этот код проходит по каждомуTextFragment в коллекции и уменьшает размер шрифта на 70%. Регулировка размера шрифта может облегчить управление извлеченным текстом, особенно если вы форматируете его для разных целей.

Шаг 4: Сохраните документ в потоке памяти

После изменения текста мы сохраняем PDF-файл вMemoryStream. Это позволяет нам сохранять документ в памяти для дальнейшей обработки без необходимости записывать его обратно на диск.

Stream st = new MemoryStream();
pdfDocument.Save(st);
pdfDocument = new Document(st);

Здесь мы сохраняем PDF в поток памяти, а затем перезагружаем документ. Этот метод полезен, когда вы работаете с большими файлами и хотите избежать ненужных дисковых операций.

Шаг 5: Извлеките весь текст с помощью Text Absorber

Теперь, когда мы подготовили PDF, пришло время извлечь текст. Мы будем использоватьTextAbsorber чтобы извлечь весь текст из документа.

TextAbsorber textAbsorber = new TextAbsorber();
pdfDocument.Pages.Accept(textAbsorber);
String extractedText = textAbsorber.Text;

На этом этапеTextAbsorber поглощает весь текст из PDF-файла, и извлеченный текст сохраняется вextractedText string. Вот тут-то и происходит волшебство — ваши столбцы текста теперь в формате обычного текста!

Шаг 6: Сохраните извлеченный текст в файл.

Наконец, мы сохраняем извлеченный текст в.txt файл для легкого доступа и дальнейшего использования.

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);

Этот код записывает извлеченный текст в новый.txt файл и сохраняет его в указанном вами каталоге. В консоли отображается сообщение, подтверждающее, что процесс прошел успешно.

Заключение

Вот и все! Извлечение столбцов текста из файла PDF с помощью Aspose.PDF для .NET проще, чем вы могли бы подумать. С помощью всего нескольких строк кода вы можете загрузить PDF, извлечь определенный текст, настроить форматирование и сохранить результаты в текстовом файле.

Эта техника невероятно полезна для обработки структурированных документов, таких как таблицы, отчеты или любой контент, организованный в столбцы. Если вам нужно автоматизировать извлечение данных или обрабатывать пакетные документы, Aspose.PDF предоставляет инструменты, чтобы сделать это эффективно.

Часто задаваемые вопросы

Можно ли извлечь текст с определенных страниц PDF-файла?

Да! Вы можете изменитьTextFragmentAbsorber для таргетинга определенных страниц с помощьюpdfDocument.Pages[pageIndex].Accept(tfa); метод.

Можно ли извлечь текст только из одного столбца в многостолбцовом PDF-файле?

Да, но вам нужно будет работать с координатами фрагментов текста, используяTextFragment.Rectangle для нацеливания на определенные области документа.

Как можно повысить точность извлечения текста?

Для большей точности убедитесь, что структура PDF-файла четко определена, и избегайте документов со сложными макетами. Вы также можете настроитьTextFragmentAbsorber для извлечения текста на основе стилей шрифтов, размеров или регионов.

Поддерживает ли Aspose.PDF извлечение текста из отсканированных документов?

Да, но вам нужно будет использовать технологию OCR (оптическое распознавание символов). Aspose также предоставляет инструменты для этого.

Как работать с большими PDF-файлами, содержащими тысячи страниц?

Для больших PDF-файлов обрабатывайте документ по частям, извлекая текст из нескольких страниц за раз, чтобы избежать высокого использования памяти.

Встроить стандартные шрифты Type 1 в PDF-файл Извлечь абзацы из файла PDF