Aspose.PDF Text Extractor für .NET

Aspose.PDF Text Extractor für .NET ist ein fokussiertes Plugin, das Entwicklern erlaubt, reine, raue oder fließende Text aus PDF-Dokumenten zu extrahieren. Es entfernt Formatierung und grafische Elemente, bietet saubere textliche Inhalte, die indexiert, analysiert oder transformiert werden können innerhalb von .Net-Anwendungen.

Einstieg

Installation und Setup

  • Install Aspose.PDF über NuGet oder download assemblies direkt.
  • Konfigurieren Sie die messende Lizenz vor der Extraktion (siehe Metered Licensing ).).

Eigenschaften und Funktionen

Roh Text Extraction

  • Entfernen Sie den unveränderten Charakterstrom aus jeder Seite.
  • Er bewahrt Weißraum, Linienbrechen und verborgenen Text.
  • Nützlich für Indexing oder Bulk Text Dumps.

Platten Text Extraction

  • Normalisiert Weißraum und Linebrechen für Lesbarkeit.
  • Mit dem angrenzenden Text geht es intelligent.
  • Ignorieren Sie Schriften, Grafik und Positionierung.

Page und Range-Based Extraction

  • Text aus ganzem Dokument oder spezifischen Seitenräumen extrahieren.
  • Reduziert die Speicherverwendung durch die Einschränkung der Reichweite.

Regionbasierte Extraktion

  • Angeben Sie rechteckige Regionen (x, y, Breite, Höhe).
  • Text aus Header, Füßen oder Spalten extrahieren.
  • Ideal für strukturierte Layouts.

Textfilterung und Reinigung

  • Entfernen Sie Steuerungssektionen, nicht druckbare Zeichen und zusätzliche Weißfläche.
  • Wählen Sie Text aus Ankündigungen, Feldern oder versteckten Schichten aus.

Verschlüsselte PDF-Support

  • Öffnen Sie Passwort geschützte PDFs, indem Sie Credentials bereitstellen.
  • Extraction APIs wird während der Verarbeitung automatisch verschlüsselt.

Unicode und Encoding

  • Ausgang in UTF-8 oder angegebenen Codern.
  • Unterstützt komplexe Skripte, rechts- linken Sprachen und Unicode Glyphs.

Leistung und Wettbewerb

  • Stream-basierte Extraktion minimiert Gedächtnisabdruck.
  • Thread-Safe APIs ermöglichen die parallele Verarbeitung von mehreren PDFs.

Code Example: Text aus PDF zu extrahieren 

// Define input file
var inputPath = Path.Combine(@"C:\Samples\", "sample.pdf");

// Create text extractor instance
var extractor = new TextExtractor();

// Configure extraction options
var options = new TextExtractorOptions
{
    Mode = TextExtractionMode.PlainText
};

// Add input
options.AddInput(new FileDataSource(inputPath));

// Process extraction
var resultContainer = extractor.Process(options);

// Retrieve text result
var textResult = resultContainer.ResultCollection[0];
Console.WriteLine(textResult);

Tipps und Best Practices

  • Wählen Sie den Extraction-Modus auf der Grundlage der Bedürfnisse aus: Roh für Indexierung, Platte für Lesbarkeit.
  • Beschränken Sie die Extraktion auf Rangen oder Regionen, um die Leistung zu verbessern.
  • Anwenden Sie Filter früh, um die Nachverarbeitung zu vereinfachen.
  • Cache verschlüsselte Beispiele bei der Wiederverwendung von sicheren PDFs.
  • Tune Thread berechnet und buffergrößen für große Arbeitsflüsse.
  • Konfigurieren Sie die Lizenz bei Startup, um Bewertungswarnungen zu vermeiden.

Häufige Fragen

**Welche Extraction-Modes werden unterstützt?**Drei: Roh, reines und regionbasiertes Extraktion.

**Kann ich Text aus Passwortgeschützten PDFs extrahieren?**Ja, indem Sie das richtige Passwort bereitstellen, kann der Text sicher extrahiert werden.

**Unterstützt es rechts- linken und komplexen Schriften?**Ja, Unicode und RTL Skripte (z. B. Arabisch, Hebräisch) sind vollständig unterstützt.

**Wie unterscheidet sich dieser Plugin von der gesamten Aspose.PDF-Bibliothek?**Dieses Plugin ist leicht und optimiert nur für Text-Extraktion, während Aspose.PDF eine vollständige PDF-Manipulation API bietet.

**Ist die Extraction Thread-Safe?**Ja, die Operationen sind thread-safe auf der Dokumentebene für die parallele Verarbeitung.

 Deutsch