PDF Text Extractor
O Documentize PDF Text Extractor para .NET simplifica a extração de texto de documentos PDF. Seja qual for sua necessidade — texto puro, bruto ou simples — este plugin permite extrair texto de forma eficiente, preservando a formatação ou omitindo-a com base em suas necessidades.
Como Extrair Texto de PDF
Para extrair texto de um documento PDF, siga estas etapas:
- Crie uma instância da classe
TextExtractor
. - Crie uma instância de
TextExtractorOptions
para configurar as opções de extração. - Adicione o arquivo PDF de entrada usando o método
AddInput
. - Execute o método
Process
para extrair o texto. - Acesse o texto extraído usando
ResultContainer.ResultCollection
.
1using var extractor = new TextExtractor();
2var textExtractorOptions = new TextExtractorOptions();
3
4// Adicione o PDF de entrada
5textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input.pdf"));
6
7// Processe a extração de texto
8var resultContainer = extractor.Process(textExtractorOptions);
9
10// Imprima o texto extraído
11var extractedText = resultContainer.ResultCollection[0];
12Console.WriteLine(extractedText);
Extraindo Texto de Múltiplos PDFs
O plugin permite que você extraia texto de múltiplos PDFs simultaneamente, garantindo um processamento rápido e eficiente.
1using var extractor = new TextExtractor();
2var textExtractorOptions = new TextExtractorOptions();
3
4// Adicione múltiplos PDFs de entrada
5textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input1.pdf"));
6textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input2.pdf"));
7
8// Processe a extração
9var resultContainer = extractor.Process(textExtractorOptions);
10
11// Saída do texto extraído
12foreach (var result in resultContainer.ResultCollection)
13{
14 Console.WriteLine(result);
15}
Modos de Extração de Texto
O TextExtractor oferece três modos de extração, proporcionando flexibilidade com base em suas necessidades.
- Modo Puro: Preserva a formatação original, incluindo espaços e alinhamento.
- Modo Bruto: Extrai o texto sem formatação, útil para processamento de dados brutos.
- Modo Simples: Extrai texto sem caracteres especiais ou formatação adicional.
1var textExtractorOptions = new TextExtractorOptions();
2
3// Defina como Modo Puro
4textExtractorOptions.Mode = ExtractionMode.Pure;
5textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input.pdf"));
6
7// Processe e imprima
8var resultContainer = extractor.Process(textExtractorOptions);
9Console.WriteLine(resultContainer.ResultCollection[0]);
Como Lidar com Processamento em Lote
Para conjuntos de documentos grandes, você pode aproveitar o processamento em lote, permitindo que você extraia texto de múltiplos PDFs de uma vez.
1using var extractor = new TextExtractor();
2var textExtractorOptions = new TextExtractorOptions();
3
4// Adicione múltiplos PDFs de entrada
5textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\batch1.pdf"));
6textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\batch2.pdf"));
7
8// Defina a saída para cada arquivo
9var resultContainer = extractor.Process(textExtractorOptions);
10
11// Lide com o texto extraído
12foreach (var result in resultContainer.ResultCollection)
13{
14 Console.WriteLine(result);
15}
Recursos Principais:
- Modo Puro: Extraia texto enquanto preserva sua formatação original.
- Modo Bruto: Extraia texto sem qualquer formatação.
- Modo Simples: Extraia texto sem caracteres especiais ou formatação.
- Processamento em Lote: Extraia texto de múltiplos PDFs de uma vez.