Aspose.PDF Text Extractor för .NET

Aspose.PDF Text Extractor för .NET är ett fokuserat plugin som gör det möjligt för utvecklare att extrahera ren, rå eller platt text från PDF-dokument. Det skär bort formatering och grafiska element, vilket ger ren textinnehåll som kan indexeras, analyseras eller omvandlas inom .Net-applikationer.

Komma igång

Installation och installation

  • Installera Aspose.PDF via NuGet eller ladda ner samlingar direkt.
  • Konfigurera måttlig licens före utvinning (se Mätlicensiering ).

Funktioner och funktioner

Röd textutvinning

  • Extraherar den oförändrade karaktärsflödet från varje sida.
  • Förvarar vitt utrymme, linjebrott och dolt text.
  • Användbar för indexering eller bulk text dumps.

Platt text extraktion

  • Normaliserar vitutrymme och linjebrott för läsbarhet.
  • Gå med närliggande text körs intelligent.
  • Ignorerar teckensnitt, grafik och positionering.

Page och Range-Based Extraction

  • Extrahera text från hela dokument eller specifika sidranor.
  • Minskar minnesanvändningen genom att begränsa räckvidden.

Regionbaserad utvinning

  • Ange rektangulära regioner (x, y, bredd, höjd).
  • Extract text från huvud, fot eller kolumner.
  • Perfekt för strukturerade layouter.

Textfiltrering och rengöring

  • Ta bort kontrollsekvenser, icke-skrivbara tecken och extra vitt utrymme.
  • Alternativt utesluta text från anteckningar, fält eller dolda lager.

Krypterad PDF-support

  • Öppna lösenordsskyddade PDF-filer genom att tillhandahålla certifikat.
  • Extraction APIs dekrypteras automatiskt under bearbetningen.

Unicode och kodning

  • Utgång i UTF-8 eller angivna kodningar.
  • Stödjer komplexa skript, höger till vänster språk och Unicode glyphs.

Prestanda och konkurrens

  • Strömbaserad extraktion minimerar minnesfönster.
  • Thread-safe APIs möjliggör parallell bearbetning av flera PDF-filer.

Kod Exempel: Utvinning av text från PDF 

// 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);

Tips och bästa praxis

  • Välj extraktionsläge baserat på behov: rå för indexering, platt för läsbarhet.
  • Begränsa utvinning till rangor eller regioner för att förbättra prestanda.
  • Applicera filter tidigt för att förenkla efterbehandling.
  • Cache dekrypterade instanser när du återanvändar säkra PDF-filer.
  • Tune thread räknar och bufferstorlekar för storskaliga arbetsflöden.
  • Konfigurera licensiering på startups för att undvika utvärderingsvarningar.

Ofta ställda frågor

**Vilka metoder för utvinning stöds?**Tre: rå, platt och regionbaserad utvinning.

**Kan jag extrahera text från lösenordsskyddade PDF-filer?**Ja, genom att ge rätt lösenord kan text extraheras säkert.

**stöder det höger till vänster och komplexa skript?**Ja, Unicode och RTL-skript (t.ex. arabiska, hebreiska) stöds fullt ut.

**Hur skiljer sig denna plugin från den fullständiga Aspose.PDF-biblioteket?**Denna plugin är lättviktig och optimerad endast för textutvinning, medan Aspose.PDF ger en fullständig PDF-manipulation API.

**Är extraktionen trådsäker?**Ja, operationer är trådsäker på dokumentnivå för parallell bearbetning.

 Svenska