PDF 文本提取器

Documentize PDF 文本提取器 for .NET 简化了从 PDF 文档中提取文本的过程。无论您需要纯文本、原始文本还是简单文本，这个插件都允许您高效地提取文本，同时根据需要保留格式或省略它。

主要特点：

  • 纯模式：提取文本同时保留其原始格式。
  • 原始模式：提取没有任何格式的文本。
  • 简单模式：提取没有特殊字符或格式的文本。
  • 批处理：一次从多个 PDF 提取文本。

如何从 PDF 文档中提取文本

要从 PDF 文档中提取文本，请按照以下步骤操作：

  1. 创建 TextExtractor 类的实例。
  2. 创建 TextExtractorOptions 的实例以配置提取选项。
  3. 使用 AddInput 方法添加输入 PDF 文件。
  4. 运行 Process 方法以提取文本。
  5. 使用 ResultContainer.ResultCollection 访问提取的文本。
​
 1  
 2using var extractor = new TextExtractor();  
 3var textExtractorOptions = new TextExtractorOptions();  
 4
 5// 添加输入 PDF  
 6textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input.pdf"));  
 7
 8// 处理文本提取  
 9var resultContainer = extractor.Process(textExtractorOptions);  
10
11// 输出提取的文本  
12var extractedText = resultContainer.ResultCollection[0];  
13Console.WriteLine(extractedText);

从多个 PDF 提取文本

该插件允许您同时从多个 PDF 提取文本，确保快速和高效的处理。

​
 1  
 2using var extractor = new TextExtractor();  
 3var textExtractorOptions = new TextExtractorOptions();  
 4
 5// 添加多个输入 PDF  
 6textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input1.pdf"));  
 7textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input2.pdf"));  
 8
 9// 处理提取  
10var resultContainer = extractor.Process(textExtractorOptions);  
11
12// 输出提取的文本  
13foreach (var result in resultContainer.ResultCollection)  
14{  
15    Console.WriteLine(result);  
16}

文本提取模式

TextExtractor 插件提供三种提取模式，根据您的需求提供灵活性。

  1. 纯模式：保留原始格式，包括空格和对齐。
  2. 原始模式：提取没有格式的文本，适合原始数据处理。
  3. 简单模式：提取没有特殊字符或附加格式的文本。
​
 1  
 2var textExtractorOptions = new TextExtractorOptions();  
 3
 4// 设置为纯模式  
 5textExtractorOptions.Mode = ExtractionMode.Pure;  
 6textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input.pdf"));  
 7
 8// 处理并输出  
 9var resultContainer = extractor.Process(textExtractorOptions);  
10Console.WriteLine(resultContainer.ResultCollection[0]);

如何处理批处理

对于大型文档集，您可以利用批处理，允许您一次从多个 PDF 提取文本。

​
 1  
 2using var extractor = new TextExtractor();  
 3var textExtractorOptions = new TextExtractorOptions();  
 4
 5// 添加多个输入 PDF  
 6textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\batch1.pdf"));  
 7textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\batch2.pdf"));  
 8
 9// 为每个文件定义输出  
10var resultContainer = extractor.Process(textExtractorOptions);  
11
12// 处理提取的文本  
13foreach (var result in resultContainer.ResultCollection)  
14{  
15    Console.WriteLine(result);  
16}
 中文