使用文本设备提取文本

本教程将指导您完成使用 Aspose.PDF for .NET 中的文本设备从 PDF 文档中提取文本的过程。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.Devices;
using System.IO;
using System.Text;

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 + "input.pdf");

第 5 步：使用文本设备提取文本

创建一个StringBuilder对象来保存提取的文本。遍历文档的每一页并使用TextDevice从每个页面中提取文本。

StringBuilder builder = new StringBuilder();
string extractedText = "";
foreach(Page pdfPage in pdfDocument.Pages)
{
using (MemoryStream textStream = new MemoryStream())
{
TextDevice textDevice = new TextDevice();
TextExtractionOptions textExtOptions = new TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure);
textDevice.ExtractionOptions = textExtOptions;
textDevice.Process(pdfPage, textStream);
textStream. Close();
extractedText = Encoding.Unicode.GetString(textStream.ToArray());
}
builder. Append(extractedText);
}

第 6 步：保存提取的文本

指定输出文件路径并使用以下命令将提取的文本保存到文本文件File.WriteAllText方法。

dataDir = dataDir + "input_Text_Extracted_out.txt";
File.WriteAllText(dataDir, builder.ToString());

使用 Aspose.PDF for .NET 使用文本设备提取文本的示例源代码

//文档目录的路径。
string dataDir = "YOUR DOCUMENT DIRECTORY";
//打开文档
Document pdfDocument = new Document( dataDir + "input.pdf");
System.Text.StringBuilder builder = new System.Text.StringBuilder();
//用于保存提取的文本的字符串
string extractedText = "";
foreach (Page pdfPage in pdfDocument.Pages)
{
	using (MemoryStream textStream = new MemoryStream())
	{
		//创建文本设备
		TextDevice textDevice = new TextDevice();
		//设置文本提取选项 - 设置文本提取模式（Raw 或 Pure）
		TextExtractionOptions textExtOptions = new
		TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure);
		textDevice.ExtractionOptions = textExtOptions;
		//转换特定页面并将文本保存到流中
		textDevice.Process(pdfPage, textStream);
		//转换特定页面并将文本保存到流中
		textDevice.Process(pdfDocument.Pages[1], textStream);
		//关闭内存流
		textStream.Close();
		//从内存流中获取文本
		extractedText = Encoding.Unicode.GetString(textStream.ToArray());
	}
	builder.Append(extractedText);
}
dataDir = dataDir + "input_Text_Extracted_out.txt";
//将提取的文本保存在文本文件中
File.WriteAllText(dataDir, builder.ToString());
Console.WriteLine("\nText extracted successfully using text device from page of PDF Document.\nFile saved at " + dataDir);

结论

您已使用 Aspose.PDF for .NET 中的文本设备成功从 PDF 文档中提取文本。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：本教程提供有关使用 Aspose.PDF for .NET 中的文本设备功能从 PDF 文档中提取文本的指导。随附的 C# 源代码演示了实现此任务的必要步骤。

问：我应该导入哪些命名空间？

答：在您计划提取文本的代码文件中，在文件开头包含以下 using 指令：

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

问：如何指定文档目录？

A：在代码中，找到这样一行：string dataDir = "YOUR DOCUMENT DIRECTORY";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。

问：如何使用文本设备提取文本？

答：第 5 步涉及创建StringBuilder对象来保存提取的文本。然后，您将遍历文档的每一页并使用TextDevice随着TextExtractionOptions从每个页面中提取文本。

问：如何将提取的文本保存到文件中？

答：在第 6 步中，您将指定输出文件路径并使用File.WriteAllText方法将提取的文本保存到文本文件。

问：本教程的主要内容是什么？

答：通过学习本教程，您已经了解了如何利用 Aspose.PDF for .NET 中的文本设备功能从 PDF 文档中提取文本。提取的文本已保存到指定的输出文件中，使您能够根据需要操作和利用提取的内容。

提取 PDF 文件中的文本页面动态获取文本宽度