Extrahujte všetok text z PDF súboru pomocou C# (podporuje .NET Core)

Zmoli775 · Zverejnené 29. 6. 2022 15:31:16

PDF je skratka pre Portable Document Format, čo znamená "portable document format", a je to formát súboru vyvinutý spoločnosťou Adobe Systems na výmenu súborov spôsobom nezávislým od aplikácií, operačných systémov a hardvéru. PDF súbory sú založené na jazykovom obrazovom modeli PostScript, ktorý zaručuje presné farby a presné výsledky tlače na akejkoľvek tlačiarni, čo znamená, že PDF verne reprodukuje každý znak, farbu a obrázok originálu.

Vzhľadom na zložitosť PDF formátov sú PDF zvyčajne manipulované cez komponenty tretích strán a tento článok používa itext7.

Oficiálna webová stránka:Prihlásenie na hypertextový odkaz je viditeľné.

NuGet:Prihlásenie na hypertextový odkaz je viditeľné.

Po zavedení komponentu itext7 cez NuGet môžete text extrahovať z PDF súboru pomocou nasledujúceho kódu:

Prihlásenie je viditeľné.

Ukážkový kód:

Prihlásenie je viditeľné.

Všimnite si, že ak je váš PDF súbor naskenovanou verziou založenou na obrázku, kód v tomto článku nedokáže extrahovať text a potrebujete technológiu OCR.

Lietajúce ryby · Zverejnené 30. 6. 2022 21:35:46

Naučte sa učiť.

litterstar · Zverejnené 28. 7. 2022 9:00:24

Nauč sa to

Kradnúť srdce bez stopy · Zverejnené 13. 10. 2022 13:43:30

Formálne potrebný, nauč sa učiť! ~~~~~~''

mmxx0212 · Zverejnené 14. 10. 2022 9:37:59

Použite C# na extrakciu všetkého textu z PDF súboru

[Konzolový program] Extrahujte všetok text z PDF súboru pomocou C# (podporuje .NET Core)

Zobrazené sekcie