在數(shù)字信息領(lǐng)域，從文檔（PDF，文字處理，網(wǎng)頁等）中提取文本具有多種用例。例如，它可以用于解析文檔，執(zhí)行文本分析，信息檢索，將文檔內(nèi)容存儲(chǔ)到數(shù)據(jù)庫中等等。如果縮小范圍，PDF是保存和共享數(shù)字信息的最廣泛使用的文檔格式之一。這種受歡迎程度使PDF文檔成為信息的巨大來源。因此，從PDF文檔中解析或提取文本可能會(huì)涉及多種文本分析方案。

為了在C ++應(yīng)用程序中自動(dòng)進(jìn)行PDF解析，本文演示了如何使用C ++ 從PDF文檔中提取文本。它涵蓋以下文本提取方案：

• 使用C ++從PDF文檔中提取文本。
• 使用C ++從PDF文檔中的特定頁面提取文本。
• 使用C ++從PDF文檔中逐頁提取文本。

點(diǎn)擊下載最新版Aspose.PDF for C++

使用C ++從PDF提取文本

Aspose.PDF for C ++使您可以通過幾個(gè)簡(jiǎn)單的步驟來解析PDF文檔。以下是從PDF文檔提取文本的方法。

• 創(chuàng)建一個(gè)PdfExtractor類的對(duì)象。
• 使用PdfExtractor-> BindPdf（）函數(shù)加載PDF文檔。
• 使用PdfExtractor->; ExtractText（）函數(shù)將PDF文檔中的文本提取到PdfExtractor。
• 將提取的文本保存到MemoryStream對(duì)象中。
• 從MemoryStream中以字符串形式讀取文本。

以下代碼示例顯示了如何使用C ++從PDF中提取文本。

auto extractor = MakeObject();
// Bind source PDF document
extractor->BindPdf(u"candy.pdf");
// Extract text from PDF to PdfExtractor
extractor->ExtractText();
auto memStream = MakeObject();
// Save text into memory stream
extractor->GetText(memStream);
auto unicode = System::Text::Encoding::get_Unicode();
String allText = unicode->GetString(memStream->ToArray());
// Print extracted text
Console::WriteLine(u"Extracted text:");
Console::WriteLine(allText);

使用C ++從PDF中的特定頁面提取文本

在某些情況下，僅需要從幾頁P(yáng)DF中提取文本。在這種情況下，可以通過設(shè)置開始和結(jié)束頁碼來指定PDF中的頁面范圍。以下是從PDF文檔中特定頁面提取文本的步驟。

• 創(chuàng)建一個(gè)PdfExtractor類的對(duì)象。
• 使用PdfExtractor-> BindPdf（）函數(shù)加載PDF文檔。
• 分別使用PdfExtractor-> set_StartPage（）和PdfExtractor-> set_EndPage（）函數(shù)設(shè)置開始和結(jié)束頁碼。
• 使用PdfExtractor-> ExtractText（）函數(shù)從PDF提取文本。
• 將提取的文本保存到MemoryStream對(duì)象中。
• 從MemoryStream中以字符串形式讀取文本。

以下代碼示例顯示了如何從C ++中的PDF特定頁面提取文本。

auto extractor = MakeObject();
// Bind source PDF document
extractor->BindPdf(u"candy.pdf");
// Set page range
extractor->set_StartPage(2);
extractor->set_EndPage(2);
// Extract text from PDF to PdfExtractor
extractor->ExtractText();
auto memStream = MakeObject();
// Save text into memory stream
extractor->GetText(memStream);
auto unicode = System::Text::Encoding::get_Unicode();
String allText = unicode->GetString(memStream->ToArray());
// Print extracted text
Console::WriteLine(u"Extracted text:");
Console::WriteLine(allText);

在C ++中從PDF提取逐頁文本

您可以從文檔的每一頁分別提取文本，而不是從PDF文檔提取所有文本。以下是從PDF中逐頁提取文本的步驟。

• 創(chuàng)建一個(gè)PdfExtractor類的對(duì)象。
• 使用PdfExtractor-> BindPdf（）函數(shù)加載PDF文檔。
• 調(diào)用PdfExtractor-> ExtractText（）函數(shù)將文本從PDF文檔檢索到PdfExtractor。
• 使用PdfExtractor-> HasNextPageText（）函數(shù)循環(huán)瀏覽每個(gè)頁面。
• 使用PdfExtractor->; GetNextPageText（）函數(shù)將文本提取到內(nèi)存流中。
• 從內(nèi)存流中讀取文本。

下面的代碼示例演示如何在C ++中從PDF逐頁提取文本。

auto extractor = MakeObject();
// Bind source PDF document
extractor->BindPdf(u"candy.pdf");
// Extract text from PDF to PdfExtractor
extractor->ExtractText();
auto unicode = System::Text::Encoding::get_Unicode();
int pageNumber = 1; 

while (extractor->HasNextPageText())
{
	auto memStream = MakeObject();
	extractor->GetNextPageText(memStream);
	String text;
	// Specify Unicode encoding type in StreamReader constructor
	auto streamReader = MakeObject(memStream, unicode);
	streamReader->get_BaseStream()->Seek(0, SeekOrigin::Begin);
	text = streamReader->ReadToEnd();
	streamReader->Dispose();
	// Print extracted text
	std::cout << "Page: " << pageNumber << "\n"; Console::Write(text); std::cout << "\n------------------------\n"; pageNumber++; }