使用 C# .NET 从 PDF 文件中提取文本 | PDF 文本提取器

PDF(可移植文档格式) 文件是最受信任和广泛使用的文档共享格式之一，跨不同平台共享文档时确保布局和外观的一致性，无论软件或设备如何。然而，在某些情况下，开发人员需要以编程方式从 PDF 文件中提取文本，例如分析内容、索引文档或将 PDF 转换为可编辑文本格式。

在本文中，我们将探讨如何从 PDF 文件中提取文本，并使用 .NET REST API 构建一个 PDF 转文本转换器，实现通过 REST API 调用的无缝和自动化文本提取。

• PDF 处理 API
• 在 C# 中执行 PDF 到文本的转换
• 使用 cURL 从 PDF 中提取文本

PDF 处理 API

利用 Aspose.PDF Cloud SDK for .NET 的强大功能高效地从 PDF 文件中提取文本。除了文本提取，SDK 还允许您从头开始或使用模板创建 PDF 文档，编辑现有 PDF 文件，以及将它们转换为其他支持的格式。您还可以通过 .NET REST API 直接执行解密、合并和操作 PDF 文件等任务。

现在要开始，我们需要在我们的 .NET 项目中安装 SDK。

NuGet\Install-Package Aspose.Pdf-Cloud -Version 25.9.0

我们还需要在 Cloud Dashboard 上创建一个免费帐户，并获得我们个性化的客户凭证。

在 C# 中执行 PDF 转文本转换

请按照下面提到的步骤使用 C# .NET 从 PDF 文件中提取文本。

PdfApi pdfApi = new PdfApi(clientSecret, clientID);

创建 PdfApi 类的对象，传入上述获得的客户端凭据作为参数。

String inputFile = "sourceFile.pdf";
var sourceFile = System.IO.File.OpenRead(inputFile);
pdfApi.UploadFile("sourceFile.pdf", sourceFile);

读取本地驱动器中的输入PDF并使用 UploadFile(...) 方法上传到云存储。

TextRectsResponse response = pdfApi.GetText("inputPDF.pdf", LLX, LLY, URX, URY, null, null, null, null, null);

我们需要在 PDF 文件中指定提取文本内容的区域，使用 GetText(...) 方法。

for (int counter = 0; counter <= response.TextOccurrences.List.Count - 1; counter++)
{
    // write text content in console
    Console.WriteLine(response.TextOccurrences.List[counter].Text);
}

一旦文本内容被提取，我们可以将其保存在本地驱动器上或在控制台中打印出来。

// 如需更多示例，请访问 https://github.com/aspose-pdf-cloud/aspose-pdf-cloud-dotnet

// 从 https://dashboard.aspose.cloud/ 获取客户端凭据
string clientSecret = "XXXXXXXXX";
string clientID = "XXXXXX-XXXXXXX-be35-ff5c3a6aa4a2";

// 创建 PdfApi 的对象，同时将客户端凭据作为参数传递。
PdfApi pdfApi = new PdfApi(clientSecret, clientID);

// Input PDF file name
String inputFile = "input.pdf";
// 将PDF文件加载到流实例中
var sourceFile = OpenRead(inputFile);

// 将 PDF 文件上传到云存储
pdfApi.UploadFile("inputPDF.pdf", sourceFile);

// 左下角的 X 坐标
Double LLX = 200.0;
// 左下角的 Y 坐标。
Double LLY = 200.0;
// 右上角的 X 坐标。
Double URX = 600.0;
// 右上角的 Y 坐标。
Double URY = 650.0;

// 调用 API 从指定坐标提取文本
TextRectsResponse response = pdfApi.GetText("inputPDF.pdf", LLX, LLY, URX, URY, null, null, null, null, null);

// 现在遍历每个文本出现并在控制台中打印。
// 此外，我们还可以将输出直接保存到 .txt 文件中。
for (int counter = 0; counter <= response.TextOccurrences.List.Count - 1; counter++)
{
    // write text content in console
    Console.WriteLine(response.TextOccurrences.List[counter].Text);
}

使用 cURL 从 PDF 中提取文本

除了使用 .NET 或 Java 代码片段，您还可以通过 cURL 命令使用 Aspose.PDF Cloud 从 PDF 文件中提取文本。因此，在这种方法中，前提是生成一个 JWT 访问令牌(基于您的客户端凭据)，可以使用以下命令获取。

步骤 1. - 获取 JWTAccess 令牌：

curl -v "https://api.aspose.cloud/connect/token" \
-X POST \
-d "grant_type=client_credentials&client_id=XXXXX-XXXXX-XXXXXX-ff5c3a6aa4a2&client_secret=XXXXXXXXXXXX" \
-H "Content-Type: application/x-www-form-urlencoded" \
-H "Accept: application/json"

步骤 1. - 从 PDF 文件中提取文本：

curl -v "https://api.aspose.cloud/v3.0/pdf/{inputPDF}/text?splitRects=true&LLX=10&LLY=10&URX=800&URY=800" \
-X GET \
-H  "accept: application/json" \
-H  "authorization: Bearer {Access_Token}" \
-o "extractedContent.txt"

• 一旦命令成功执行，指定矩形区域中的文本将提取到文本文件中。

免费的 PDF 解析应用程序

如果您希望在没有任何编码或 cURL 命令的情况下测试 API 的能力，那么请尝试使用我们基于 .NET REST APIs 构建的 [Free PDF Parser] 应用程序。

结论 remarks

在本文中，我们了解到如何将 Aspose.PDF Cloud SDK for .NET 集成到我们的 .NET 项目中以进行文本提取，同时，我们还探索了通过命令行界面使用 cURL 命令执行 PDF 文本提取的选项。因此，无论您的目标是数据分析、机器学习还是其他自动化目的，SDK 都为您提供了可靠的工具，以高效处理 PDF 内容。将这些技能付诸实践，像专业人士一样简化您的 PDF 处理！

阅读材料

• 产品文档
• GitHub 源代码
• API 参考
• 免费产品支持
• 免费试用

相关的文章

我们还建议访问以下链接以了解更多信息：

• 如何在 C# .NET 中将 HTML 转换为 XPS
• 使用 .NET REST API 将 DOCX 转换为 PDF
• 将 JPG 转换为 PDF 的 C# 代码