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、原始文本还是普通文本，此插件都允许您高效提取文本，同时根据需要保留格式或省略格式。

如何从 PDF 中提取文本

要从 PDF 文档中提取文本，请遵循以下步骤：

  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。
​
 1using var extractor = new TextExtractor();
 2var textExtractorOptions = new TextExtractorOptions();
 3
 4// 添加输入 PDF
 5textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input.pdf"));
 6
 7// 处理文本提取
 8var resultContainer = extractor.Process(textExtractorOptions);
 9
10// 打印提取的文本
11var extractedText = resultContainer.ResultCollection[0];
12Console.WriteLine(extractedText);

从多个 PDF 中提取文本

该插件允许您同时从多个 PDF 中提取文本，确保快速和高效的处理。

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

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：提取文本时不带格式，适用于原始数据处理。
  3. 普通模式：提取没有特殊字符或附加格式的文本。
​
1var textExtractorOptions = new TextExtractorOptions();
2
3// 设置为纯模式
4textExtractorOptions.Mode = ExtractionMode.Pure;
5textExtractorOptions.AddInput(new FileDataSource(@"C:\Samples\input.pdf"));
6
7// 处理并输出
8var resultContainer = extractor.Process(textExtractorOptions);
9Console.WriteLine(resultContainer.ResultCollection[0]);

如何处理批量处理

对于大型文档集，您可以利用批量处理，允许您一次性从多个 PDF 中提取文本。

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

主要功能：

  • 纯模式：提取文本的同时保留其原始格式。
  • 原始模式：提取时不带任何格式的文本。
  • 普通模式：提取没有特殊字符或格式的文本。
  • 批量处理：一次性从多个 PDF 中提取文本。
 中文