提取 PDF 文件中的列文本

本教程将指导您完成使用 Aspose.PDF for .NET 提取 PDF 文件中的列文本的过程。提供的 C# 源代码演示了必要的步骤。

要求

在开始之前，请确保您具备以下条件：

Visual Studio 或计算机上安装的任何其他 C# 编译器。
Aspose.PDF for .NET 库。您可以从 Aspose 官方网站下载它或使用 NuGet 等包管理器来安装它。

第 1 步：设置项目

在您首选的开发环境中创建一个新的 C# 项目。
添加对 Aspose.PDF for .NET 库的引用。

第2步：导入所需的命名空间

在要提取列文本的代码文件中，在文件顶部添加以下 using 指令：

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

第三步：设置文档目录

在代码中，找到显示以下内容的行string dataDir = "YOUR DOCUMENT DIRECTORY";并替换"YOUR DOCUMENT DIRECTORY"以及存储文档的目录的路径。

步骤 4：打开 PDF 文档

使用以下命令打开现有 PDF 文档Document构造函数并将路径传递给输入 PDF 文件。

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

第5步：调整字体大小

将文本片段的字体大小减小 0.7 倍，以增强可读性并更好地表示柱状文本。

TextFragmentAbsorber tfa = new TextFragmentAbsorber();
pdfDocument.Pages.Accept(tfa);
TextFragmentCollection tfc = tfa.TextFragments;
foreach(TextFragment tf in tfc)
{
     tf.TextState.FontSize = tf.TextState.FontSize * 0.7f;
}

步骤 6：从列中提取文本

将修改后的 PDF 文档保存到内存流并将其重新加载为新文档。然后，使用TextAbsorber类从列中提取文本。

Stream st = new MemoryStream();
pdfDocument.Save(st);
pdfDocument = new Document(st);
TextAbsorber textAbsorber = new TextAbsorber();
pdfDocument.Pages.Accept(textAbsorber);
String extractedText = textAbsorber.Text;
textAbsorber.Visit(pdfDocument);

第7步：保存提取的文本

将提取的文本保存到指定输出文件路径的文本文件中。

dataDir = dataDir + "ExtractColumnsText_out.txt";
File.WriteAllText(dataDir, extractedText);
Console.WriteLine("\nColumns text extracted successfully from Pages of PDF Document.\nFile saved at " + dataDir);

使用 Aspose.PDF for .NET 提取列文本的示例源代码

//文档目录的路径。
string dataDir = "YOUR DOCUMENT DIRECTORY";
//打开文档
Document pdfDocument = new Document(dataDir + "ExtractTextPage.pdf");                
TextFragmentAbsorber tfa = new TextFragmentAbsorber();
pdfDocument.Pages.Accept(tfa);
TextFragmentCollection tfc = tfa.TextFragments;
foreach (TextFragment tf in tfc)
{
	//需要减小字体大小至少 70%
	tf.TextState.FontSize = tf.TextState.FontSize * 0.7f;
}
Stream st = new MemoryStream();
pdfDocument.Save(st);
pdfDocument = new Document(st);
TextAbsorber textAbsorber = new TextAbsorber();
pdfDocument.Pages.Accept(textAbsorber);
String extractedText = textAbsorber.Text;
textAbsorber.Visit(pdfDocument); 
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);

结论

您已使用 Aspose.PDF for .NET 成功从 PDF 文档中提取了列文本。提取的文本已保存到指定的输出文件中。

常见问题解答

问：本教程的目的是什么？

答：本教程提供了有关使用 Aspose.PDF for .NET 从 PDF 文件中提取文本列的分步指南。随附的 C# 源代码提供了所需过程的实际演示。

问：我应该导入哪些命名空间？

答：在要提取文本列的代码文件中，在文件开头包含以下 using 指令：

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

问：如何指定文档目录？

答：找到该线string dataDir = "YOUR DOCUMENT DIRECTORY";在代码中并替换"YOUR DOCUMENT DIRECTORY"与文档目录的实际路径。

问：如何打开现有的 PDF 文档？

答：在步骤 4 中，您将使用以下命令打开现有的 PDF 文档：Document构造函数并提供输入 PDF 文件的路径。

Q：为什么要调整字体大小？

答：第 5 步涉及将文本片段的字体大小减小 0.7 倍。此调整增强了可读性并更准确地表示柱状文本。

问：如何从列中提取文本？

答：第 6 步包括将修改后的 PDF 文档保存到内存流，将其重新加载为新文档，然后使用TextAbsorber类从列中提取文本。

问：保存提取的文本的目的是什么？

答：在步骤 7 中，您会将提取的文本保存到指定输出文件路径的文本文件中。

问：为什么提取前要减小字体大小？

答：减小字体大小有助于确保提取的文本在列内正确对齐，从而更准确地表示原始布局。

问：本教程的主要内容是什么？

答：通过学习本教程，您已经获得了使用 Aspose.PDF for .NET 从 PDF 文档中提取文本列所需的知识和技能。生成的文本已保存到指定的输出文件中。

在 PDF 文件中嵌入标准 Type 1 字体提取 PDF 文件中的段落