PDF Text Extractor
Documentize PDF 文本提取器 for .NET 简化了从 PDF 文档中提取文本的过程。无论您需要的是纯文本、原始文本还是普通文本,该插件都可以高效地提取文本,同时根据您的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,请按照以下步骤操作:
- 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// 创建 TextExtractorOptions 对象以设置指令
2var options = new TextExtractorOptions();
3// 添加输入文件路径
4options.AddInput(new FileDataSource("path_to_your_pdf_file.pdf"));
5// 执行处理
6var results = TextExtractor.Process(options);
7// 从 ResultContainer 对象中获取提取的文本
8var textExtracted = results.ResultCollection[0].ToString();
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:提取不带格式的文本,适用于原始数据处理。
- 扁平模式:根据坐标表示 PDF 内容与定位文本片段。
1// 创建 TextExtractorOptions 对象以设置 TextFormattingMode
2var options = new TextExtractorOptions(TextFormattingMode.Pure);
3// 添加输入文件路径
4options.AddInput(new FileDataSource("path_to_your_pdf_file.pdf"));
5// 执行处理
6var results = TextExtractor.Process(options);
7// 从 ResultContainer 对象中获取提取的文本
8var textExtracted = results.ResultCollection[0].ToString();
主要特点:
- 纯模式:在保留原始格式的同时提取文本。
- 原始模式:提取不带任何格式的文本。
- 扁平模式:提取没有特殊字符或格式的文本。