Wie kann ich mit iTextSharp in VB.NET oder C# effizient Text aus PDF-Dateien extrahieren?

Extrahieren von PDF-Inhalten mit iTextSharp in VB.NET oder C

Das Lesen des Inhalts eines PDF-Dokuments kann eine häufige Aufgabe beim Erstellen robuster und vielseitiger Anwendungen sein. iTextSharp, eine leistungsstarke Open-Source-Bibliothek, bietet eine umfassende Lösung für die Verwaltung von PDF-Dokumenten in Ihren .NET-Anwendungen.

Wenn es um das Extrahieren von Text aus PDF-Dateien geht, bietet iTextSharp die PdfReader-Klasse, ein wichtiges Werkzeug für Text Extraktionszwecke. Mit dieser Klasse können Sie auf einzelne Seiten eines PDF-Dokuments zugreifen und mit Hilfe der SimpleTextExtractionStrategy-Strategie den reinen Textinhalt dieser Seiten abrufen.

Zum Extrahieren von Text aus einem bildbasierten PDF: iTextSharp nutzt OCR-Engines wie Tesseract. Diese Engines erkennen und extrahieren Text aus Bildern, sodass Sie Inhalte aus PDFs erfassen können, die Textbilder enthalten.

Hier ist ein Beispiel, das zeigt, wie PDF-Inhalte mit PdfReader in VB.NET oder C# gelesen werden:

using iTextSharp.text.pdf;
using iTextSharp.text.pdf.parser;
using System;
using System.IO;
using System.Text;

public static class PdfReaderExample
{
    public static string ReadPdfFile(string filePath)
    {
        var sb = new StringBuilder();
        
        if (File.Exists(filePath))
        {
            var reader = new PdfReader(filePath);
            
            for (var page = 1; page <= reader.NumberOfPages; page++)
            {
                var strategy = new SimpleTextExtractionStrategy();
                var text = PdfTextExtractor.GetTextFromPage(reader, page, strategy);
                
                text = Encoding.UTF8.GetString(ASCIIEncoding.Convert(Encoding.Default, Encoding.UTF8, Encoding.Default.GetBytes(text)));
                sb.Append(text);
            }
            
            reader.Close();
        }
        
        return sb.ToString();
    }
}

In diesem Beispiel:

• Der PdfReader wird initialisiert und ermöglicht den Zugriff auf die PDF-Dokumente Inhalt.
• Jede Seite der PDF-Datei wird mit dem PdfTextExtractor mit der SimpleTextExtractionStrategy verarbeitet.
• Der extrahierte Text wird für eine genaue Textdarstellung in die UTF-8-Kodierung konvertiert.
• Der Der endgültige extrahierte Text wird in einer Zeichenfolgenvariablen gespeichert und als Ergebnis zurückgegeben.

Durch die Verwendung Dank der Funktionen von iTextSharp können Sie mühelos den Inhalt Ihrer PDF-Dateien lesen und Ihren Anwendungen die Möglichkeit geben, PDF-Dokumente zu verarbeiten und zu analysieren.

Das obige ist der detaillierte Inhalt vonWie kann ich mit iTextSharp in VB.NET oder C# effizient Text aus PDF-Dateien extrahieren?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!