PDF Text Extractor
Documentize PDF Text Extractor для .NET упрощает извлечение текста из PDF-документов. Независимо от того, нужен ли вам чистый, необработанный или простой текст, этот плагин позволяет эффективно извлекать текст, сохраняя форматирование или опуская его в зависимости от ваших потребностей.
Как извлечь текст из PDF
Чтобы извлечь текст из PDF-документа, выполните следующие шаги:
- Создайте экземпляр класса
TextExtractor
. - Создайте экземпляр
TextExtractorOptions
для настройки параметров извлечения. - Добавьте входной PDF-файл с помощью метода
AddInput
. - Запустите метод
Process
для извлечения текста. - Получите извлеченный текст с помощью
ResultContainer.ResultCollection
.
1using var extractor = new TextExtractor();
2var textExtractorOptions = new TextExtractorOptions();
3
4// Добавить входной PDF
5textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input.pdf"));
6
7// Обработать извлечение текста
8var resultContainer = extractor.Process(textExtractorOptions);
9
10// Вывод извлеченного 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// Добавить несколько входных PDF
5textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input1.pdf"));
6textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input2.pdf"));
7
8// Обработать извлечение
9var resultContainer = extractor.Process(textExtractorOptions);
10
11// Вывод извлеченного 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.
- Чистый режим: Сохраняет оригинальное форматирование, включая пробелы и выравнивание.
- Сырой режим: Извлекает текст без форматирования, полезен для обработки необработанных данных.
- Простой режим: Извлекает текст без специальных символов или дополнительного форматирования.
1var textExtractorOptions = new TextExtractorOptions();
2
3// Установить режим Чистый
4textExtractorOptions.Mode = ExtractionMode.Pure;
5textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input.pdf"));
6
7// Обработать и вывести
8var resultContainer = extractor.Process(textExtractorOptions);
9Console.WriteLine(resultContainer.ResultCollection[0]);
Как обрабатывать пакетную обработку
Для больших наборов документов вы можете использовать пакетную обработку, что позволяет извлекать текст из нескольких PDF одновременно.
1using var extractor = new TextExtractor();
2var textExtractorOptions = new TextExtractorOptions();
3
4// Добавить несколько входных PDF
5textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\batch1.pdf"));
6textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\batch2.pdf"));
7
8// Определить вывод для каждого файла
9var resultContainer = extractor.Process(textExtractorOptions);
10
11// Обработать извлеченный текст
12foreach (var result in resultContainer.ResultCollection)
13{
14 Console.WriteLine(result);
15}
Ключевые особенности:
- Чистый режим: Извлекайте текст, сохраняя его оригинальное форматирование.
- Сырой режим: Извлекайте текст без какого-либо форматирования.
- Простой режим: Извлекайте текст без специальных символов или форматирования.
- Пакетная обработка: Извлекайте текст из нескольких PDF одновременно.