PDF Text Extraktor

Der Documentize PDF Text Extraktor für .NET vereinfacht das Extrahieren von Text aus PDF-Dokumenten. Ob Sie reinen, rohen oder einfachen Text benötigen, dieses Plugin ermöglicht Ihnen, Text effizient zu extrahieren, während die Formatierung beibehalten oder je nach Bedarf weggelassen wird.

Hauptmerkmale:

  • Reiner Modus: Text extrahieren und dabei die ursprüngliche Formatierung beibehalten.
  • Rohmodus: Text ohne jegliche Formatierung extrahieren.
  • Einfacher Modus: Text ohne Sonderzeichen oder Formatierung extrahieren.
  • Batch-Verarbeitung: Text aus mehreren PDFs gleichzeitig extrahieren.

So extrahieren Sie Text aus PDF-Dokumenten

Um Text aus einem PDF-Dokument zu extrahieren, folgen Sie diesen Schritten:

  1. Erstellen Sie eine Instanz der Klasse TextExtractor.
  2. Erstellen Sie eine Instanz von TextExtractorOptions, um die Extraktionsoptionen zu konfigurieren.
  3. Fügen Sie die Eingabe-PDF-Datei mit der Methode AddInput hinzu.
  4. Führen Sie die Methode Process aus, um den Text zu extrahieren.
  5. Greifen Sie auf den extrahierten Text über ResultContainer.ResultCollection zu.
​
 1using var extractor = new TextExtractor();
 2var textExtractorOptions = new TextExtractorOptions();
 3
 4// Eingabe-PDF hinzufügen
 5textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input.pdf"));
 6
 7// Textextraktion verarbeiten
 8var resultContainer = extractor.Process(textExtractorOptions);
 9
10// Den extrahierten Text ausgeben
11var extractedText = resultContainer.ResultCollection[0];
12Console.WriteLine(extractedText);

Text aus mehreren PDFs extrahieren

Das Plugin ermöglicht es Ihnen, Text aus mehreren PDFs gleichzeitig zu extrahieren, um eine schnelle und effiziente Verarbeitung zu gewährleisten.

​
 1using var extractor = new TextExtractor();
 2var textExtractorOptions = new TextExtractorOptions();
 3
 4// Mehrere Eingabe-PDFs hinzufügen
 5textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input1.pdf"));
 6textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input2.pdf"));
 7
 8// Die Extraktion verarbeiten
 9var resultContainer = extractor.Process(textExtractorOptions);
10
11// Den extrahierten Text ausgeben
12foreach (var result in resultContainer.ResultCollection)
13{
14    Console.WriteLine(result);
15}

Textextraktionsmodi

Das TextExtractor Plugin bietet drei Extraktionsmodi, die Flexibilität je nach Bedarf bieten.

  1. Reiner Modus: Bewahrt die ursprüngliche Formatierung, einschließlich Abstände und Ausrichtung.
  2. Rohmodus: Extrahiert den Text ohne Formatierung, nützlich für die Verarbeitung roher Daten.
  3. Einfacher Modus: Extrahiert Text ohne Sonderzeichen oder zusätzliche Formatierung.
​
1var textExtractorOptions = new TextExtractorOptions();
2
3// Auf reinen Modus setzen
4textExtractorOptions.Mode = ExtractionMode.Pure;
5textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input.pdf"));
6
7// Verarbeiten und ausgeben
8var resultContainer = extractor.Process(textExtractorOptions);
9Console.WriteLine(resultContainer.ResultCollection[0]);

So gehen Sie mit der Batch-Verarbeitung um

Für große Dokumentensätze können Sie die Batch-Verarbeitung nutzen, um Text aus mehreren PDFs gleichzeitig zu extrahieren.

​
 1using var extractor = new TextExtractor();
 2var textExtractorOptions = new TextExtractorOptions();
 3
 4// Mehrere Eingabe-PDFs hinzufügen
 5textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\batch1.pdf"));
 6textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\batch2.pdf"));
 7
 8// Ausgabe für jede Datei definieren
 9var resultContainer = extractor.Process(textExtractorOptions);
10
11// Extrahierten Text verarbeiten
12foreach (var result in resultContainer.ResultCollection)
13{
14    Console.WriteLine(result);
15}
 Deutsch