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:
- 创建
TextExtractor
类的实例。 - 创建
TextExtractorOptions
的实例以配置提取选项。 - 使用
AddInput
方法添加输入 PDF 文件。 - 运行
Process
方法以提取文本。 - 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。
- 纯模式:保留原始格式,包括空格和对齐。
- 原始模式:提取没有格式的文本,适合原始数据处理。
- 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}