PDF文件格式之所以受歡迎，是因為與其他文字處理文件格式相比，文件內容不容易修改。但是，您可以使用Aspose.PDF for .NET API從PDF文檔中提取文本。

在本文中，將探索使用C＃從PDF文件提取文本的眾多可能性中的幾種。以下是將在此博客中討論的功能列表：

• 使用C＃從整個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頁面的特定區(qū)域提取文本
• 使用C＃從帶有正則表達式的PDF文件中提取特定文本
• 使用C＃從PDF文檔中的表格單元格提取文本
• 使用C＃從PDF文檔中提取突出顯示的文本
• 使用C＃提取內存消耗低的PDF文本

近日，.NET版Aspose.PDF升級到v20.5版，支持XFA表單設置/獲取值中的綁定表達式，修復PDF轉換時的一些問題，感興趣的朋友可點擊下方按鈕下載最新版。

點擊下載最新版Aspose.PDF for .NET

使用C＃從整個PDF文檔中提取文本

從PDF文檔中讀取文本內容是一種常用功能。您可以按照以下步驟從文檔的所有頁面提取所有文本：

• 載入PDF文件
• 創(chuàng)建TextAbsorber對象
• 接受所有頁面的吸收器
• 將提取的文本寫入文件并保存

下面的代碼段遵循這些步驟，并顯示如何使用C＃從整個PDF文檔中提取文本：

// Open PDF document
Document pdfDocument = new Document(dataDir + "ExtractTextAll.pdf");
// Create TextAbsorber object to extract text
TextAbsorber textAbsorber = new TextAbsorber();
// Accept the absorber for all pages
pdfDocument.Pages.Accept(textAbsorber);
// Get the extracted text
string extractedText = textAbsorber.Text;
// Create a writer and open the file
TextWriter tw = new StreamWriter(dataDir + "extracted-text.txt");
// Write a line of text to the file
tw.WriteLine(extractedText);
// Close the stream
tw.Close();

使用C＃從PDF文檔中的特定頁面提取文本

探索了文檔級別的文本提取之后，讓我們從PDF文檔的特定頁面提取文本。只需按照以下步驟來滿足您的要求：

• 載入PDF文件
• 創(chuàng)建TextAbsorber對象
• 接受吸收器以獲取特定頁面
• 將提取的文本寫入文件并保存

以下代碼段遵循以下步驟，以使用C＃從PDF文件的任何頁面讀取文本：

// Open PDF document
Document pdfDocument = new Document(dataDir + "ExtractTextAll.pdf");
// Access required page in PDF document
Page page = pdfDocument.Pages[1];
// Create TextAbsorber object to extract text
TextAbsorber textAbsorber = new TextAbsorber();
// Accept the absorber for specified page
page.Accept(textAbsorber);
// Get the extracted text
string extractedText = textAbsorber.Text;
// Create a writer and open the file
TextWriter tw = new StreamWriter(dataDir + "extracted-text.txt");
// Write a line of text to the file
tw.WriteLine(extractedText);
// Close the stream
tw.Close();

使用C＃從PDF頁面的特定區(qū)域提取文本

考慮從頁面的特定區(qū)域查找一些文本。在這里重要的是要理解，.NET的Aspose.PDF中的基本測量單位是磅，其中72磅等于1英寸。此外，左下角被認為是頁面的原點（0,0）。以下是從PDF文檔頁面的特定區(qū)域或部分讀取文本的步驟：

• 載入PDF文件
• 創(chuàng)建TextAbsorber對象
• 設置TextSearchOptions并指定直角坐標
• 接受特定頁面的吸收體
• 將提取的文本寫入文件

下面的代碼段演示了以下步驟，使用C＃從特定區(qū)域提取文本：

// Open document
Document pdfDocument = new Document(dataDir + "ExtractTextAll.pdf");
// Create TextAbsorber object to extract text
TextAbsorber absorber = new TextAbsorber();
absorber.TextSearchOptions.LimitToPageBounds = true;
absorber.TextSearchOptions.Rectangle = new Aspose.Pdf.Rectangle(100, 200, 250, 350);
// Accept the absorber for first page
pdfDocument.Pages[1].Accept(absorber);
// Get the extracted text
string extractedText = absorber.Text;
// Create a writer and open the file
TextWriter tw = new StreamWriter(dataDir + "extracted-text.txt");
// Write a line of text to the file
tw.WriteLine(extractedText);
// Close the stream
tw.Close();

使用C＃從帶有正則表達式的PDF文件中提取特定文本

可以從PDF文檔中提取與某些模式匹配的特定文本。例如，要提取一些特定的單詞或數(shù)字。為此，需要設計一個正則表達式。API將利用該正則表達式在PDF文檔中查找匹配的文本。以下步驟是從PDF文件搜索和提取特定文本的準則：

• 加載輸入的PDF文檔
• 創(chuàng)建TextAbsorber對象
• 設計并設置正則表達式以匹配某些文本
• 遍歷每個提取的文本片段

以下C＃代碼段使用正則表達式在文檔的所有頁面中搜索包含4位數(shù)字的文本，例如1999、2000等。

// open document
Document pdfDocument = new Document(dataDir + @"Test.pdf");
// create TextAbsorber object to find all instances of the input search phrase
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber(@"\d{4}"); //like 1999-2020                                                                                                                // set text search option to specify regular expression usage
TextSearchOptions textSearchOptions = new TextSearchOptions(true);
textFragmentAbsorber.TextSearchOptions = textSearchOptions;
// accept the absorber for all the pages
pdfDocument.Pages.Accept(textFragmentAbsorber);
// get the extracted text fragments
TextFragmentCollection textFragmentCollection = textFragmentAbsorber.TextFragments;     
// loop through the fragments
foreach (TextFragment textFragment in textFragmentCollection)
{
    Console.WriteLine(textFragment.Text);
}

使用C＃從PDF文檔中的表格單元格提取文本

從PDF頁面上的表格中提取文本有些不同。在先前的示例中，我們一直在使用TextAbsorber類，但是從Table中提取文本有些不同。因此，您需要按照以下步驟從Table對象提取文本：

• 加載源PDF文件
• 創(chuàng)建TextAbsorber對象
• 遍歷AbsorbedTable
• 遍歷表格每一行中的每個單元格

下面的代碼段遵循這些步驟，并使用C＃有效地從PDF文檔中的表格單元格中提取文本：

Document pdfDocument = new Document(dataDir + "Test.pdf");
TableAbsorber absorber = new TableAbsorber();
absorber.Visit(pdfDocument.Pages[1]);
foreach (AbsorbedTable table in absorber.TableList)
{
    foreach (AbsorbedRow row in table.RowList)
    {
        foreach (AbsorbedCell cell in row.CellList)
        {
            TextFragment textfragment = new TextFragment();
            TextFragmentCollection textFragmentCollection = cell.TextFragments;
            foreach (TextFragment fragment in textFragmentCollection)
            {
                Console.WriteLine(fragment.Text);
            }
        }
    }
}

使用C＃從PDF文檔中提取突出顯示的文本

高亮顯示的文本在PDF文件中以注釋形式顯示。它們包含“標記文本”，這使其與文檔中的常規(guī)文本不同。以下步驟描述了如何使用C＃閱讀突出顯示的文本：

• 加載源文件
• 循環(huán)瀏覽所有注釋
• 過濾TextMarkupAnnotation
• 檢索突出顯示的文本片段

以下是基于上述步驟的代碼段，可用于從PDF文件中獲取突出顯示的文本：

Document doc = new Document(dataDir + "ExtractHighlightedText.pdf");
// Loop through all the annotations
foreach (Annotation annotation in doc.Pages[1].Annotations)
{
    // Filter TextMarkupAnnotation
    if (annotation is TextMarkupAnnotation)
    {
        TextMarkupAnnotation highlightedAnnotation = annotation as TextMarkupAnnotation;
        // Retrieve highlighted text fragments
        TextFragmentCollection collection = highlightedAnnotation.GetMarkedTextFragments();
        foreach (TextFragment tf in collection)
        {
            // Display highlighted text
            Console.WriteLine(tf.Text);
        }
    }
}

使用C＃提取內存消耗低的PDF文本

以下是在使用C＃語言從PDF文檔提取文本時優(yōu)化內存消耗的兩種不同方法。

①使用Reset（）和FreeMemory（）方法

有時，文本提取可能會消耗大量的內存和處理器?？赡苁禽斎胛募艽笄野芏辔谋緯r。因為TextFragmentAbsorber對象將所有找到的文本片段存儲在內存中。

因此，建議的解決方案是在處理每個頁面之后調用吸收器.Reset（）方法。此外，如果僅執(zhí)行讀取操作，則還可以使用page.FreeMemory（）方法釋放頁面對象所持有的內存。因此，需要按照以下步驟來利用最少的資源：

• 加載源文件
• 指定TextEditOptions
• 讀取TextFragment
• 調用Reset（）方法
• 調用FreeMemory（）方法

以下代碼段演示了使用C＃從PDF文檔中提取文本：

Document pdfDocument = new Document(dataDir + @"ITF-TTF Manual.pdf");
TextFragmentAbsorber absorber = new TextFragmentAbsorber(new TextEditOptions(TextEditOptions.FontReplace.RemoveUnusedFonts));
foreach (Page page in pdfDocument.Pages)
{
    page.Accept(absorber);
    //Read something from fragments
    count += absorber.TextFragments.Count;
    absorber.Reset();
    page.FreeMemory();
    //GC.Collect();        
}

②使用MemorySaving枚舉

用于.NET API的Aspose.PDF支持在從PDF文件讀取文本時配置內存保存模式。該TextExtractionOptions.TextFormattingMode枚舉服務資源的最優(yōu)消費的目的。以下步驟概述了此方法需要遵循的步驟：

• 加載源文件
• 創(chuàng)建TextDevice對象
• 設置TextExtractionOptions
• 提取文本并將文本寫入文件

下面的代碼片段演示了使用C＃進行內存節(jié)省的方法：

// Open document
Document pdfDocument = new Document(dataDir + "Test.pdf");
System.Text.StringBuilder builder = new System.Text.StringBuilder();
// String to hold extracted text
string extractedText = "";
foreach (Page pdfPage in pdfDocument.Pages)
{
    using (MemoryStream textStream = new MemoryStream())
    {
        // Create text device
        TextDevice textDevice = new TextDevice();

        // Set text extraction options - set text extraction mode (Raw or Pure)
        TextExtractionOptions textExtOptions = new
        TextExtractionOptions(TextExtractionOptions.TextFormattingMode.MemorySaving);
        textDevice.ExtractionOptions = textExtOptions;
        // Convert a particular page and save text to the stream
        textDevice.Process(pdfPage, textStream);
        // Convert a particular page and save text to the stream
        textDevice.Process(pdfDocument.Pages[1], textStream);
        // Close memory stream
        textStream.Close();
        // Get text from memory stream
        extractedText = Encoding.Unicode.GetString(textStream.ToArray());
    }
    builder.Append(extractedText);
}
dataDir = dataDir + "Memory_Text_Extracted.txt";
// Save the extracted text in text file
File.WriteAllText(dataDir, builder.ToString());