Поиск и получение текстовой страницы в файле PDF

Введение

Вам когда-нибудь приходилось искать определенный текст в документе PDF и извлекать его для дальнейшего использования? Возможно, вы создаете приложение, которое обрабатывает документы и требует точного извлечения данных, или вам просто нужно эффективно анализировать PDF-файлы. В любом случае, вы в правильном месте! В этом руководстве мы рассмотрим, как искать и извлекать текст со страницы в файле PDF с помощью Aspose.PDF для .NET. Независимо от того, новичок вы или опытный разработчик, это руководство проведет вас через каждый шаг в разговорной и увлекательной манере. Готовы к работе? Давайте начнем!

Предпосылки

Прежде чем приступить к кодированию, давайте убедимся, что у вас есть все необходимое:

  1. Библиотека Aspose.PDF для .NET: Вы можете загрузить ее с сайтаздесь или получите бесплатную пробную версию по той же ссылке. Для покупки перейдите наМагазин Aspose.
  2. .NET Framework: вам понадобится рабочая среда разработки .NET, например Visual Studio.
  3. Файл PDF: Вам понадобится образец файла PDF, в котором мы можем искать и извлекать текст. Для этого руководства предположим, что файл называетсяSearchAndGetTextPage.pdf.

Импортные пакеты

Прежде всего, нам нужно импортировать необходимые пространства имен для работы с Aspose.PDF для .NET. Убедитесь, что они включены в начало вашего кода.

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

Теперь, когда мы рассмотрели предварительные условия, давайте разберем код шаг за шагом. Каждый шаг был четко обозначен, чтобы было легко следовать.

Шаг 1: Укажите путь к каталогу ваших документов

Перед взаимодействием с вашим PDF-файлом вам необходимо определить путь к месту хранения вашего PDF-документа. Это гарантирует, что программа сможет получить доступ к файлу.

string dataDir = "YOUR DOCUMENT DIRECTORY";
  • dataDir: Это путь к папке, где хранятся ваши PDF-файлы. Заменить"YOUR DOCUMENT DIRECTORY" с фактическим путем расположения PDF-файла.

Шаг 2: Загрузите PDF-документ

Следующий шаг — загрузить PDF-документ в память, чтобы с ним можно было работать. Вот как это сделать:

Document pdfDocument = new Document(dataDir + "SearchAndGetTextPage.pdf");
  • Документ: это класс Aspose.PDF, который загружает PDF-файл.
  • pdfDocument: переменная, в которой сохраняется ваш PDF-файл после загрузки.

Шаг 3: Создание объекта-поглотителя текста

TheTextFragmentAbsorberкласс позволяет вам искать определенный текст в PDF. Давайте создадим экземпляр этого класса, чтобы найти все экземпляры заданной поисковой фразы.

TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("Figure");
  • TextFragmentAbsorber: этот класс отвечает за поиск и извлечение текста из PDF-файла.
  • «Рисунок»: замените это любым текстом, который вы хотите найти в PDF-файле.

Шаг 4: Примените Text Absorber ко всему PDF-файлу

После настройки текстового поглотителя вам нужно указать программе выполнить поиск по всем страницам PDF-файла.

pdfDocument.Pages.Accept(textFragmentAbsorber);
  • Accept(): этот метод применяет текстовый поглотитель к PDF-файлу, сканируя каждую страницу на предмет указанного вами текста.

Шаг 5: Извлечение и итерация извлеченного текста

Теперь, когда мы отсканировали PDF, пришло время извлечь результаты и отобразить их. Мы пройдемся по извлеченным фрагментам текста.

TextFragmentCollection textFragmentCollection = textFragmentAbsorber.TextFragments;
  • TextFragmentCollection: эта коллекция содержит все экземпляры текстовых фрагментов, найденные поглотителем текста.

Шаг 6: Пройдитесь по каждому фрагменту и извлеките данные

Теперь мы пройдемся по циклуtextFragmentCollection и извлекать различные свойства каждого текстового сегмента, такие как его положение, сведения о шрифте и цвет.

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: Каждый фрагмент содержит части найденного текста.
  • TextSegment: Каждый фрагмент может иметь несколько сегментов, представляющих разные части текста.
  • TextState: предоставляет подробную информацию о шрифте, размере и цвете текста.

В этом цикле мы выводим на печать такие данные, как сам текст, его положение (координаты X и Y), шрифт, встроен ли шрифт в PDF-файл, а также цвет переднего плана текста.

Заключение

И вот оно! Теперь вы успешно нашли и извлекли текст из файла PDF с помощью Aspose.PDF для .NET. Невероятно, насколько гибки вы получаете с этой библиотекой. Если вам нужно найти определенный текст в большом документе, извлечь его или проанализировать его свойства, Aspose.PDF сделает это проще простого. Кроме того, с кодом, который мы рассмотрели, вы хорошо подготовлены к его адаптации к вашим потребностям.

Часто задаваемые вопросы

Могу ли я искать несколько фраз одновременно?

Да, вы можете изменить код для поиска по нескольким фразам, создав несколькоTextFragmentAbsorber объекты.

Как извлечь текст с определенной страницы?

Вы можете настроить таргетинг на определенную страницу, применивTextFragmentAbsorber на одну страницу вместо всего документа. Например:pdfDocument.Pages[1].Accept(textFragmentAbsorber);.

Является ли Aspose.PDF для .NET бесплатным?

Aspose.PDF — это коммерческий продукт, но вы можете использовать его сбесплатная пробная версия.

Можно ли извлечь изображения из PDF-файла с помощью Aspose.PDF?

Да, Aspose.PDF позволяет извлекать изображения в дополнение к тексту. Проверьтедокументация для более подробной информации.

Что делать, если мне понадобится дополнительная помощь или поддержка?

Вы всегда можете получить помощь отФорум поддержки Aspose.

Поиск и получение текста Поиск регулярного выражения в файле PDF