在數(shù)據(jù)處理工作中，PDF 文件因其跨平臺(tái)、格式穩(wěn)定的特點(diǎn)而被廣泛使用。然而，從 PDF 中提取文本內(nèi)容卻常常令人頭疼——無(wú)論是整理資料、分析數(shù)據(jù)，還是構(gòu)建文本檢索系統(tǒng)，高效準(zhǔn)確地提取 PDF 文本都是一項(xiàng)基礎(chǔ)而重要的需求。本文將介紹如何使用 Spire.PDF for .NET 這一強(qiáng)大的組件，通過(guò) C# 代碼輕松實(shí)現(xiàn) PDF 文本提取。

Spire.PDF for .NET 簡(jiǎn)介

Spire.PDF for .NET 是一款專業(yè)的 PDF 組件，它允許開(kāi)發(fā)者在 .NET 平臺(tái)上創(chuàng)建、讀取、編輯和轉(zhuǎn)換 PDF 文件，無(wú)需安裝 Adobe Acrobat 或其他外部依賴。該組件提供了豐富的 API，其中文本提取功能尤為實(shí)用，支持提取整頁(yè)文本，也支持僅提取指定區(qū)域的文本內(nèi)容。

通過(guò) NuGet 安裝：

Install-Package Spire.PDF

從指定頁(yè)面提取全文

在實(shí)際應(yīng)用中，最常見(jiàn)的需求是將某個(gè) PDF 頁(yè)面的全部文字提取出來(lái)。使用 Spire.PDF 可以輕松實(shí)現(xiàn)這一目標(biāo)。以下是用 C# 實(shí)現(xiàn)的完整代碼：

using Spire.Pdf;
using Spire.Pdf.Texts;
using System.IO;

namespace ExtractTextFromIndividualPages
{
    internal class Program    
    {
        static void Main(string[] args)
        {
            // 創(chuàng)建 PDF 文檔實(shí)例
            PdfDocument pdf = new PdfDocument();
            // 加載 PDF 文件
            pdf.LoadFromFile("Input.pdf");

            // 獲取要提取文本的頁(yè)面（例如，索引1對(duì)應(yīng)第二頁(yè)，注：索引從0開(kāi)始）
            PdfPageBase page = pdf.Pages[1];

            // 為選中的頁(yè)面創(chuàng)建PdfTextExtractor實(shí)例
            PdfTextExtractor extractor = new PdfTextExtractor(page);
            // 設(shè)置提取選項(xiàng)
            PdfTextExtractOptions option = new PdfTextExtractOptions
            {
                IsExtractAllText = true
            };
            // 從指定頁(yè)面提取文本
            string text = extractor.ExtractText(option);

            // 將提取的文本保存到文本文件
            File.WriteAllText("Extracted.txt", text);
            // 關(guān)閉 PDF 文檔
            pdf.Close();
        }
    }
}

上述代碼的執(zhí)行流程如下：首先創(chuàng)建 PdfDocument 對(duì)象并加載目標(biāo) PDF 文件。接著，通過(guò) Pages 集合獲取指定頁(yè)面（本例為第一頁(yè)）。為了實(shí)現(xiàn)完整的文本提取，設(shè)置 PdfTextExtractOptions 對(duì)象的 IsExtractAllText 屬性為 true，確保提取時(shí)不會(huì)遺漏任何文本內(nèi)容。隨后，創(chuàng)建 PdfTextExtractor 對(duì)象并傳入頁(yè)面實(shí)例，調(diào)用 ExtractText 方法即可獲得該頁(yè)面的全部文字。最后，將提取到的文本寫入本地文件，并關(guān)閉文檔釋放資源。整個(gè)過(guò)程簡(jiǎn)潔明了，僅需幾行核心代碼，便能完成從 PDF 頁(yè)面到純文本的轉(zhuǎn)換。

從指定區(qū)域提取文本

在某些場(chǎng)景下，我們并不需要整頁(yè)的內(nèi)容，而只需要提取頁(yè)面中的特定區(qū)域——例如表格中的某列數(shù)據(jù)、標(biāo)題欄、簽章區(qū)域等。Spire.PDF 同樣提供了靈活的解決方案。以下是區(qū)域提取的 C# 實(shí)現(xiàn)代碼：

using Spire.Pdf;
using Spire.Pdf.Texts;
using System.IO;
using System.Drawing;

namespace ExtractTextFromDefinedArea
{
    internal class Program
    {
        static void Main(string[] args)
        {
            // 創(chuàng)建 PDF 文檔實(shí)例
            PdfDocument pdf = new PdfDocument();
            // 加載 PDF 文件
            pdf.LoadFromFile("Input.pdf");

            // 獲取第二頁(yè)（索引1對(duì)應(yīng)第二頁(yè)）
            PdfPageBase page = pdf.Pages[1];

            // 為選中的頁(yè)面創(chuàng)建 PdfTextExtractor 實(shí)例
            PdfTextExtractor textExtractor = new PdfTextExtractor(page);
            // 設(shè)置提取選項(xiàng)（指定矩形區(qū)域）
            PdfTextExtractOptions extractOptions = new PdfTextExtractOptions
            {
                // 矩形區(qū)域參數(shù)：X坐標(biāo)、Y坐標(biāo)、寬度、高度
                ExtractArea = new RectangleF(0, 0, 595, 300)
            };

            // 從指定矩形區(qū)域提取文本
            string text = textExtractor.ExtractText(extractOptions);

            // 將提取的文本保存到文本文件
            File.WriteAllText("Extracted.txt", text);

            // 關(guān)閉 PDF 文檔
            pdf.Close();
        }
    }
}

與全文提取類似，首先加載 PDF 并獲取目標(biāo)頁(yè)面。關(guān)鍵區(qū)別在于設(shè)置提取區(qū)域：通過(guò) PdfTextExtractOptions 的 ExtractArea 屬性，可以定義一個(gè)矩形區(qū)域，該區(qū)域由左上角坐標(biāo) (X, Y) 以及寬度和高度共同確定。組件會(huì)智能地僅提取該矩形范圍內(nèi)的文本內(nèi)容。本例中定義的矩形區(qū)域起始坐標(biāo)為 (0, 0)，寬度為 595，高度為 300，單位為磅（Point）。

這種方法特別適合處理結(jié)構(gòu)化的 PDF 文檔，比如財(cái)務(wù)報(bào)表、發(fā)票或表單，可以精準(zhǔn)定位并提取所需字段，大大提高了信息獲取的效率和準(zhǔn)確性。

實(shí)際應(yīng)用與注意事項(xiàng)

在實(shí)際開(kāi)發(fā)中，文本提取功能可廣泛應(yīng)用于數(shù)據(jù)采集、內(nèi)容分析、文檔歸檔等場(chǎng)景。例如，將合同 PDF 中的條款提取后存入數(shù)據(jù)庫(kù)，或從科研論文 PDF 中抽取摘要部分進(jìn)行檢索分析。

使用 Spire.PDF 進(jìn)行文本提取時(shí)，有幾個(gè)要點(diǎn)值得注意：首先，確保矩形區(qū)域的坐標(biāo)和尺寸準(zhǔn)確無(wú)誤，可以通過(guò)預(yù)覽或測(cè)量工具輔助定位；其次，對(duì)于復(fù)雜的 PDF（如包含多列排版或特殊字體），建議啟用完整提取模式以保證最佳效果；最后，提取完成后務(wù)必調(diào)用 Close 方法釋放文檔資源，避免內(nèi)存占用。

總結(jié)

借助 Spire.PDF for .NET，C# 開(kāi)發(fā)者可以以極簡(jiǎn)的代碼實(shí)現(xiàn)高質(zhì)量的 PDF 文本提取功能。無(wú)論是整頁(yè)提取還是區(qū)域提取，該組件都提供了直觀、可靠的解決方案。對(duì)于需要處理 PDF 文本的 .NET 項(xiàng)目而言，Spire.PDF 無(wú)疑是一個(gè)值得考慮的高效工具。

以上就是C#使用Spire.PDF for .NET輕松提取PDF文件中的文字內(nèi)容的詳細(xì)內(nèi)容，更多關(guān)于C#提取PDF文本的資料請(qǐng)關(guān)注腳本之家其它相關(guān)文章！

最新評(píng)論