Text Extractor Plugin für Aspose.PDF
Wie man Text aus PDFs in .NET extrahiert

Wie man Text aus PDFs in .NET extrahiert

Dieser Artikel zeigt, wie man Text aus PDF-Dokumenten mit dem Aspose.PDF Text Extractor für .NET extrahiert. Sie werden lernen, alle unterstützten Extractionmodes - Pure, Raw und Plain - zu verwenden und Arbeitsflüsse für einzelne oder mehrere PDFs zu automatisieren.

Real-Weltproblem

Das manuelle Kopieren von Text aus PDFs ist ineffizient und fehlerfreundlich. Für Anwendungen in Datenanalyse, Dokumentmigration oder Archivierung gewährleistet automatisierte Text-Extraktion Konsistenz, Geschwindigkeit und Genauigkeit.

Überblick der Lösung

Aspose.PDF Text Extractor for .NET bietet eine saubere, programmable Schnittstelle für Text in verschiedenen Formaten zu extrahieren. Wählen Sie zwischen Pure, Raw und Plain Modes, um Ihren Benutzungsfall anzupassen – ob Sie formatierte Ausgabe, Rohdaten oder plain Inhalt benötigen.

Voraussetzung

  • Visual Studio 2019 oder später
  • .NET 6.0 oder höher
  • Aspose.PDF für .NET über NuGet installiert
PM> Install-Package Aspose.PDF

Schritt für Schritt Implementierung

Schritt 1: Installieren und Konfigurieren Aspose.PDF 

using Aspose.Pdf.Plugins;
using System.IO;

Schritt 2: Text extrahieren mit Standard (Raw) Modus 

using (var extractor = new TextExtractor())
{
    var options = new TextExtractorOptions(); // Raw mode by default
    options.AddInput(new FileDataSource("input.pdf"));
    var resultContainer = extractor.Process(options);
    string textExtracted = resultContainer.ResultCollection[0].ToString();
    Console.WriteLine(textExtracted);
}

Schritt 3: Text in reiner oder lainer Mode zu extrahieren

  • **Pure Mode: ** Er bewahrt relative Positionen und fügt Platz für die Anpassung hinzu.
  • Plain-Modus: Strips Formatierung, Text-Ausgang mit minimalen Räumen.
using (var extractor = new TextExtractor())
{
    var options = new TextExtractorOptions(TextExtractorOptions.TextFormattingMode.Pure); // Or .Plain
    options.AddInput(new FileDataSource("input.pdf"));
    var resultContainer = extractor.Process(options);
    string textExtracted = resultContainer.ResultCollection[0].ToString();
    Console.WriteLine(textExtracted);
}

Verwendung von Fällen und Anwendungen (mit Code Variations)

1. Batch Text aus mehreren PDFs 

string[] files = Directory.GetFiles(@"C:\PDFs", "*.pdf");
using (var extractor = new TextExtractor())
{
    var options = new TextExtractorOptions(TextExtractorOptions.TextFormattingMode.Pure);
    foreach (var file in files)
        options.AddInput(new FileDataSource(file));
    var resultContainer = extractor.Process(options);
    for (int i = 0; i < resultContainer.ResultCollection.Count; i++)
    {
        string extracted = resultContainer.ResultCollection[i].ToString();
        // Save to disk, process, or analyze as needed
        File.WriteAllText($@"C:\PDFs\out\{Path.GetFileNameWithoutExtension(files[i])}.txt", extracted);
    }
}

2. Wählen Sie die Extraction-Modus basierend auf der Verwendung von Fällen

  • Verwenden Sie Pure für Tabell-ähnliche Layouts oder Raumformat.
  • Verwenden Sie Plain für saubere Datenerhebung oder Analyse.
  • Verwenden Sie Raw für unbearbeitete Texte.

3. Post-Prozess extrahiert Text

Nach der Extraktion verwenden Sie Regex, Textreinigung oder senden Sie die Ergebnisse an andere Dienste (Search, ML-Pipelinen usw.).

4. Integrieren Sie die Extraktion mit Datenleitungen

Automatische Extraction als Teil eines breiteren ETL-Workflusses, Berichterstattung oder Dokumentmanagement mit standard .NET Praktiken.

Gemeinsame Herausforderungen und Lösungen

Herausforderung: Unverträgliche Ausgabe aufgrund der komplexen PDF-StrukturLösung: Versuchen Sie verschiedene Extraktionsmodi (Pure, Plain, Raw) und vergleichen Sie die Ergebnisse.

Herausforderung: Batch-ExtraktionsgeschwindigkeitLösung: Verwenden Sie eine einzige TextExtractor Beispiele und Verarbeitung von mehreren Dateien in einem Rennen für die beste Leistung.

Herausforderung: besondere Charaktere oder CodierungsproblemeLösung: Verwenden Sie das Plain-Modus für minimale Formatierung, dann benutzen Sie nach Bedarf custom string-Verarbeitung.

Leistung und Best Practices

  • Prüfen Sie alle drei Extraktionsmodes, um optimale Ergebnisse für Ihren Dokumenttyp zu bestimmen
  • Speichern Sie ursprüngliche PDF-Dateien vor Batch-Operationen
  • Verhandeln von Produktionsfilennamen und Organisation in Batch Jobs
  • Integrierte Fehlerbehandlung und Logging für Robustheit

Vollständige Implementierung Example 

using Aspose.Pdf.Plugins;
using System;
using System.IO;

class Program
{
    static void Main()
    {
        using (var extractor = new TextExtractor())
        {
            var options = new TextExtractorOptions(TextExtractorOptions.TextFormattingMode.Plain);
            options.AddInput(new FileDataSource(@"C:\PDFs\input.pdf"));
            var resultContainer = extractor.Process(options);
            string textExtracted = resultContainer.ResultCollection[0].ToString();
            File.WriteAllText(@"C:\PDFs\output.txt", textExtracted);
        }
    }
}

Schlussfolgerungen

Aspose.PDF Text Extractor für .NET bietet Ihnen leistungsfähige, flexible Werkzeuge zur Text-Extraktion in mehreren Formaten – geeignet für Datenverarbeitung, Archivierung oder Analyse. Wählen Sie den Extraktionsmodus am besten für Ihre Bedürfnisse und automatisieren Sie die Extraction für eine hohe Effizienz in .Net-Anwendungen.

 Deutsch