在线三级网站上,成人午夜免费,91亚洲天堂

文檔處理控件TX Text Control系列教程：使用 .NET C# 從 PDF 文檔中提取基于模板的文本

翻譯|使用教程|編輯：吉煒煒|2025-02-17 10:49:30.597|閱讀 118 次

概述：使用 TX Text Control 進行基于模板的文本提取提供了一種從 PDF 文檔中檢索結構化數據的有效方法。本文介紹如何使用模板從 PDF 文檔中提取文本。

相關鏈接：

處理 PDF 文檔時，提取公司名稱、社會保險號或發票號等特定信息可能是一項挑戰。在理想情況下，這些數據將存在于結構良好的表單字段中，可以通過編程輕松訪問（包括使用 TX Text Control 功能）。但是，許多 PDF 文件都是扁平化的，這意味著表單字段被刪除，只留下原始文本。

TX Text Control 是一款功能類似于 MS Word 的文字處理控件，包括文檔創建、編輯、打印、郵件合并、格式轉換、拆分合并、導入導出、批量生成等功能。廣泛應用于企業文檔管理，網站內容發布，電子病歷中病案模板創建、病歷書寫、修改歷史、連續打印、病案歸檔等功能的實現。TX Text Control 基于預定義模板區域提供了強大的文本提取解決方案，允許您甚至可以從扁平化的 PDF 中提取結構化信息。

TX Text Control 最新下載

基于模板的文本提取涉及定義一個矩形（邊界框），特定文本預計會出現在 PDF 文檔中。定義此區域后，TX Text Control 便可提取定義矩形內的文本行，確保數據檢索準確。

定義模板：識別示例文檔中的已知文本字符串并在其周圍定義邊界框。
應用模板：在其他類似文檔上使用相同的選擇框來提取相關文本。
提取文本：TX 文本控件允許您在定義的矩形內搜索文本并從中檢索有意義的數據。

實現基于模板的文本提取

第一步，我們希望確定已知文檔中已知數據的文本位置。使用示例 PDF，找到在特定位置一致出現的已知文本（例如公司名稱或發票號碼）。

讓我們看一下非常典型的美國稅表W9。

PDF 表單

該文檔仍然啟用了表單字段，如果我們有權訪問該文檔，則只需遍歷表單字段即可使用 TX Text Control 輕松提取數據。

但在這種情況下，我們無法訪問源文檔，只能訪問扁平化版本，其中所有表單字段都已被刪除，只有文本可見。

扁平化的 PDF 表單

現在我們要定義矩形來搜索公司名稱。

長方形

創建應用程序

為了演示使用 TX 文本控制庫實現這一點有多么簡單，我們將使用 .NET 控制臺應用程序。

確保您下載了.NET 8 SDK附帶的最新版本的 Visual Studio 2022 。

在 Visual Studio 2022 中，通過選擇“創建新項目”來創建新項目。
選擇控制臺應用程序作為項目模板然后單擊下一步確認。
為您的項目選擇一個名稱然后單擊下一步確認。
在下一個對話框中，選擇.NET 8 (長期支持)作為框架并通過創建進行確認。

添加 NuGet 包

在解決方案資源管理器中，選擇您創建的項目，然后從項目主菜單中選擇管理 NuGet 包...。

從包源下拉菜單中選擇文本控制離線包。

安裝以下軟件包的最新版本：
- TXTextControl.TextControl.ASP.SDK

訓練數據

以下代碼使用 TX Text Control 查找我們的訓練數據“Text Control, LLC”的已知值，并返回稍后將用于所有其他文檔的位置。

								
												using TXTextControl.DocumentServer.PDF.Contents;
											
												try
											
												{
											
												string pdfFilePath = "FormW9.pdf";
											
												// Check if the file exists before processing
											
												if (!File.Exists(pdfFilePath))
											
												{
											
												Console.WriteLine($"Error: File '{pdfFilePath}' not found.");
											
												return;
											
												}
											
												// Load PDF lines
											
												var pdfLines = new Lines(pdfFilePath);
											
												// Find the target text
											
												var trainLines = pdfLines.Find("Text Control, LLC");
											
												// Check if any lines were found before accessing the index
											
												if (trainLines.Count > 0)
											
												{
											
												Console.WriteLine(trainLines[0].Rectangle.ToString());
											
												}
											
												else
											
												{
											
												Console.WriteLine("Text not found in the PDF.");
											
												}
											
												}
											
												catch (Exception ex)
											
												{
											
												Console.WriteLine($"An error occurred: {ex.Message}");
											
												}

控制臺包含找到的文本的位置。

{X=1192,Y=2566,Width=1510,Height=180}

提取文本

下一個代碼片段加載第二個文檔并在給定的矩形中搜索文本，該文本是我們從訓練數據中檢索到的。

								
												using System.Drawing;
											
												using TXTextControl.DocumentServer.PDF.Contents;
											
												try
											
												{
											
												string pdfFilePath = "FormW9_2.pdf";
											
												// Check if the file exists before processing
											
												if (!File.Exists(pdfFilePath))
											
												{
											
												Console.WriteLine($"Error: File '{pdfFilePath}' not found.");
											
												return;
											
												}
											
												// Load PDF lines
											
												var pdfLines = new Lines(pdfFilePath);
											
												// Define the search area
											
												var searchRectangle = new Rectangle(1192, 2566, 1510, 180);
											
												// Find text within the defined rectangle (include partial matches)
											
												var contentLines = pdfLines.Find(searchRectangle, true);
											
												// Filter only page 1 content lines
											
												var page1ContentLines = contentLines.Where(cl => cl.Page == 1).ToList();
											
												// Check if any content was found
											
												if (page1ContentLines.Count > 0)
											
												{
											
												Console.WriteLine(page1ContentLines[0].Text);
											
												}
											
												else
											
												{
											
												Console.WriteLine("No content found in the specified rectangle on page 1.");
											
												}
											
												}
											
												catch (Exception ex)
											
												{
											
												Console.WriteLine($"An error occurred: {ex.Message}");
											
												}

控制臺包含從第二個文檔中提取的文本。

Document Processing Enterprises Ltd.

因為我們使用了Findtrue方法的第二個參數，所以搜索將返回整行，即使在這種情況下公司名稱更長。

即使公司名稱到了行末，它也會找到正確的值。

長公司名稱

This is a very long company name - This is a very long company name - This is a very long company name

結論

基于模板的文本提取是一項強大的功能，可用于從 PDF 文檔中提取結構化信息。通過在已知文本周圍定義一個矩形，TX Text Control 可以從類似文檔中提取文本，即使文本不在表單字段中。

————————————————————————————————————————————

慧都是Text Control的官方授權代理商，提供TX Text Control 系列產品免費試用，咨詢，正版銷售等于一體的專業化服務。

下載或體驗產品，請咨詢，或撥打產品熱線：023-68661681

標簽：

本站文章除注明轉載外，均為本站原創或翻譯。歡迎任何形式的轉載，但請務必注明出處、不得修改原文相關鏈接，如果存在內容上的異議請郵件反饋至chenjj@ke049m.cn

上一篇：DevExpress WinForms中文教程：Grid View - 如何實現識別行操作？（一）下一篇：.NET版PDF處理控件Aspose.PDF教程：在 C# 中將 TIFF 文件轉換為 PDF

相關產品

控件

產品功能：文檔管理

源碼：非開源

產品編號：10322

當前版本：x33 [銷售以商家最新版為準，如需其他版本，請來電咨詢]

開發商： Text Control

正式授權

">TX Text Control .NET for WPF

TX Text Control .NET for WPF 分標準，專業，及企業三個版本，是一套專業的文字處理控件。

控件

產品功能：文檔管理

源碼：非開源

產品編號：12924

當前版本：x33 [銷售以商家最新版為準，如需其他版本，請來電咨詢]

開發商： Text Control

正式授權

">TX Text Control .NET for Windows Forms

TX Text Control .NET for Windows Forms 是一套功能豐富的文字處理控件。

控件

產品功能：文檔管理

源碼：非開源

產品編號：13101

當前版本：x33 [銷售以商家最新版為準，如需其他版本，請來電咨詢]

開發商： Text Control

正式授權

">TX Text Control .NET Server for ASP.NET

一個將文檔處理集成到 Web 應用程序中的文檔管理控件。

最新文章 MORE

半島外圍網上直營相關的文章 MORE

超碰91资源站-超碰97豆花-超碰97人妻-超碰97人人干-超碰97人人香蕉-超碰97天天操-超碰97在线资源站-超碰97资源站共享-超碰97资源站总站-超碰aa在线91-超碰av操-超碰爱爱

半岛外围网上直营

在線采購

中文文檔庫

試用/Demo下載

開發社群