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 Det tar 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