Извлекатель текста из PDF

Documentize PDF Text Extractor для .NET упрощает извлечение текста из PDF-документов. Независимо от того, нужен ли вам чистый, сырой или простой текст, этот плагин позволяет эффективно извлекать текст, сохраняя его форматирование или опуская его в зависимости от ваших потребностей.

Основные характеристики:

  • Чистый режим: Извлечение текста с сохранением его оригинального форматирования.
  • Сырой режим: Извлечение текста без какого-либо форматирования.
  • Простой режим: Извлечение текста без специальных символов или форматирования.
  • Пакетная обработка: Извлечение текста из нескольких PDF одновременно.

Как извлечь текст из PDF-документов

Чтобы извлечь текст из PDF-документа, выполните следующие шаги:

  1. Создайте экземпляр класса TextExtractor.
  2. Создайте экземпляр TextExtractorOptions, чтобы настроить параметры извлечения.
  3. Добавьте входной PDF-файл, используя метод AddInput.
  4. Запустите метод Process для извлечения текста.
  5. Получите извлечённый текст, используя ResultContainer.ResultCollection.
​
 1using var extractor = new TextExtractor();
 2var textExtractorOptions = new TextExtractorOptions();
 3
 4// Добавьте входной PDF
 5textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input.pdf"));
 6
 7// Процесс извлечения текста
 8var resultContainer = extractor.Process(textExtractorOptions);
 9
10// Вывод извлечённого текста
11var extractedText = resultContainer.ResultCollection[0];
12Console.WriteLine(extractedText);

Извлечение текста из нескольких PDF

Плагин позволяет извлекать текст из нескольких PDF одновременно, обеспечивая быструю и эффективную обработку.

​
 1using var extractor = new TextExtractor();
 2var textExtractorOptions = new TextExtractorOptions();
 3
 4// Добавьте несколько входных PDF
 5textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input1.pdf"));
 6textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input2.pdf"));
 7
 8// Процесс извлечения
 9var resultContainer = extractor.Process(textExtractorOptions);
10
11// Вывод извлечённого текста
12foreach (var result in resultContainer.ResultCollection)
13{
14    Console.WriteLine(result);
15}

Режимы извлечения текста

Плагин TextExtractor предлагает три режима извлечения, обеспечивая гибкость в зависимости от ваших потребностей.

  1. Чистый режим: Сохраняет оригинальное форматирование, включая пробелы и выравнивание.
  2. Сырой режим: Извлекает текст без форматирования, полезен для обработки сырых данных.
  3. Простой режим: Извлекает текст без специальных символов или дополнительного форматирования.
​
1var textExtractorOptions = new TextExtractorOptions();
2
3// Установите в чистый режим
4textExtractorOptions.Mode = ExtractionMode.Pure;
5textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input.pdf"));
6
7// Обработка и вывод
8var resultContainer = extractor.Process(textExtractorOptions);
9Console.WriteLine(resultContainer.ResultCollection[0]);

Как обрабатывать пакетную обработку

Для больших наборов документов вы можете воспользоваться пакетной обработкой, что позволяет извлекать текст из нескольких PDF одновременно.

​
 1using var extractor = new TextExtractor();
 2var textExtractorOptions = new TextExtractorOptions();
 3
 4// Добавьте несколько входных PDF
 5textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\batch1.pdf"));
 6textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\batch2.pdf"));
 7
 8// Определите вывод для каждого файла
 9var resultContainer = extractor.Process(textExtractorOptions);
10
11// Обработка извлечённого текста
12foreach (var result in resultContainer.ResultCollection)
13{
14    Console.WriteLine(result);
15}
 Русский