Bagaimanakah PdfReader iTextSharp Boleh Mengekstrak Teks dan Imej daripada Fail PDF?

Teknik Membaca Kandungan PDF Menggunakan PdfReader iTextSharp

Apabila bekerja dengan dokumen PDF, mengekstrak kandungan adalah penting untuk analisis data, carian teks dan pemprosesan selanjutnya. iTextSharp, pustaka C# dan VB.NET yang terkenal, menyediakan alatan berkuasa untuk membaca dan menghuraikan kandungan PDF.

Kelas PdfReader dalam iTextSharp membolehkan pembangun mengakses kandungan fail PDF dengan cekap. Ia menawarkan pelbagai pilihan untuk mengekstrak teks biasa dan imej yang dibenamkan dalam dokumen.

Ekstrak Teks Biasa

Untuk mengekstrak teks biasa daripada PDF, anda boleh memanfaatkan SimpleTextExtractionStrategy kelas:

ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
string currentText = PdfTextExtractor.GetTextFromPage(pdfReader, page, strategy);

Di sini, currentText akan mengandungi kandungan teks yang diekstrak daripada yang ditentukan muka surat. Ambil perhatian bahawa teks mungkin mengandungi aksara bukan Unikod, yang boleh anda tukar kepada format UTF-8 untuk pengendalian yang betul.

Pengeluaran Imej

Jika PDF termasuk imej terbenam , anda boleh mengekstraknya menggunakan kelas PdfImageExtender:

PdfImageExtender extender = new PdfImageExtender();
List<Image> images = extender.GetImagesFromPage(pdfReader, page);

Kod ini mendapatkan semula senarai objek Imej mewakili imej pada halaman yang ditentukan. Anda kemudiannya boleh mengakses data setiap imej dan menyimpannya dalam format yang sesuai.

Atas ialah kandungan terperinci Bagaimanakah PdfReader iTextSharp Boleh Mengekstrak Teks dan Imej daripada Fail PDF?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!