C#/VB.NET 提取 PDF 文档中的文本

PDF 文档的布局是固定的，不允许用户对其进行修改。如果您想让 PDF 文档内容再次可编辑，可以将 PDF 转换为 Word 或直接从 PDF 中提取文本。本文将分为以下三个部分介绍如何使用 Spire.PDF for .NET 在 C# 和 VB.NET 中提取 PDF 文档中的文本。

从特定 PDF 页面中提取文本
从特定矩形区域中提取文本
通过 SimpleTextExtractionStrategy 提取文本

安装 Spire.PDF for .NET

首先，您需要添加 Spire.PDF for .NET 包中包含的 DLL 文件作为 .NET 项目中的引用。DLL 文件可以从此链接下载或通过 NuGet 安装。

PM> Install-Package Spire.PDF

从特定 PDF 页面中提取文本

Spire.PDF for .NET 提供了 PdfTextExtractor.ExtractText() 方法，可供开发人员直接从 PDF 文档中提取文本。详细步骤如下。

创建一个 PdfDocument 对象。
使用 PdfDocument.LoadFromFile() 方法加载 PDF 文件。
通过 PdfDocument.Pages[index] 属性获取特定页面。
创建一个 PdfTextExtractor 对象。
创建一个 PdfTextExtractOptions 对象，并将 IsExtractAllText 属性设置为 true。
使用 PdfTextExtractor.ExtractText() 方法从所选页面中提取文本。
将提取的文本写入 TXT 文件。

C#
VB.NET

using System.IO;
using Spire.Pdf;
using Spire.Pdf.Texts;

namespace ExtractTextFromPage
{
    class Program
    {
        static void Main(string[] args)
        {
            //创建一个 PdfDocument 对象
            PdfDocument doc = new PdfDocument();

            //加载PDF文件
            doc.LoadFromFile("AI数字人.pdf");

            //获取指定页面
            PdfPageBase page = doc.Pages[1];

            //创建一个PdfTextExtractot 对象
            PdfTextExtractor textExtractor = new PdfTextExtractor(page);

            //创建一个 PdfTextExtractOptions 对象
            PdfTextExtractOptions extractOptions = new PdfTextExtractOptions();

            //将 isExtractAllText 设置为true
            extractOptions.IsExtractAllText = true;

            //从所选页面中提取文本
            string text = textExtractor.ExtractText(extractOptions);

            //将提取的文本写入 TXT 文件
            File.WriteAllText("提取指定页面文本.txt", text);
        }
    }
}

Imports System.IO
Imports Spire.Pdf
Imports Spire.Pdf.Texts

Namespace ExtractTextFromPage
    Friend Class Program
        Private Shared Sub Main(ByVal args As String())
            '创建一个 PdfDocument 对象
            Dim doc As PdfDocument = New PdfDocument()

            '加载PDF文件
            doc.LoadFromFile("AI数字人.pdf")

            '获取指定页面
            Dim page As PdfPageBase = doc.Pages(1)

            '创建一个PdfTextExtractot 对象
            Dim textExtractor As PdfTextExtractor = New PdfTextExtractor(page)

            '创建一个 PdfTextExtractOptions 对象
            Dim extractOptions As PdfTextExtractOptions = New PdfTextExtractOptions()

            '将 isExtractAllText 设置为true
            extractOptions.IsExtractAllText = True

            '从所选页面中提取文本
            Dim text As String = textExtractor.ExtractText(extractOptions)

            '将提取的文本写入 TXT 文件
            File.WriteAllText("提取指定页面文本.txt", text)
        End Sub
    End Class
End Namespace

C#/VB.NET：提取 PDF 文档中的文本

从特定矩形区域中提取文本

如果您需要从指定区域中提取 PDF 文本，可以通过 ExtractArea 属性指定矩形区域范围，并使用 PdfTextExtractor.ExtractText() 方法从指定区域中提取文本。详细步骤如下。

创建一个 PdfDocument 对象。
使用 PdfDocument.LoadFromFile() 方法加载 PDF 文件。
通过 PdfDocument.Pages[index] 属性获取特定页面。
创建一个 PdfTextExtractor 对象。
创建一个 PdfTextExtractOptions 对象，并通过它的 ExtractArea 属性指定矩形区域。
使用 PdfTextExtractor.ExtractText() 方法从指定区域中提取文本。
将提取的文本写入 TXT 文件。

C#
VB.NET

using Spire.Pdf;
using Spire.Pdf.Texts;
using System.IO;
using System.Drawing;

namespace ExtractTextFromRectangleArea
{
    class Program
    {
        static void Main(string[] args)
        {
            //创建一个 PdfDocument 对象
            PdfDocument doc = new PdfDocument();

            //加载PDF文件
            doc.LoadFromFile("AI数字人.pdf");

            //获取指定页面
            PdfPageBase page = doc.Pages[1];

            //创建一个 PdfTextExtractot 对象
            PdfTextExtractor textExtractor = new PdfTextExtractor(page);

            //创建一个 PdfTextExtractOptions 对象
            PdfTextExtractOptions extractOptions = new PdfTextExtractOptions();

            //设置矩形区域范围
            extractOptions.ExtractArea = new RectangleF(0, 0, 870, 150);

            //从指定区域中提取文本
            string text = textExtractor.ExtractText(extractOptions);

            //将提取的文本写入 TXT 文件
            File.WriteAllText("特定区域提取文本.txt", text);
        }
    }
}

Imports Spire.Pdf
Imports Spire.Pdf.Texts
Imports System.IO
Imports System.Drawing

Namespace ExtractTextFromRectangleArea
    Friend Class Program
        Private Shared Sub Main(ByVal args As String())
            '创建一个 PdfDocument 对象
            Dim doc As PdfDocument = New PdfDocument()

            '加载PDF文件
            doc.LoadFromFile("AI数字人.pdf")

            '获取指定页面
            Dim page As PdfPageBase = doc.Pages(1)

            '创建一个 PdfTextExtractot 对象
            Dim textExtractor As PdfTextExtractor = New PdfTextExtractor(page)

            '创建一个 PdfTextExtractOptions 对象
            Dim extractOptions As PdfTextExtractOptions = New PdfTextExtractOptions()

            '设置矩形区域范围
            extractOptions.ExtractArea = New RectangleF(0, 0, 870, 150)

            '从指定区域中提取文本
            Dim text As String = textExtractor.ExtractText(extractOptions)

            '将提取的文本写入 TXT 文件
            File.WriteAllText("特定区域提取文本.txt", text)
        End Sub
    End Class
End Namespace

C#/VB.NET：提取 PDF 文档中的文本

通过 SimpleTextExtractionStrategy 提取文本

上述方法为逐行提取文本。如果使用 SimpleTextExtractionStrategy 提取文本，它会跟踪每个字符串当前的 Y 轴位置，并在 Y 轴位置发生变化时在输出中插入换行符。详细步骤如下。

创建一个 PdfDocument 对象。
使用 PdfDocument.LoadFromFile() 方法加载 PDF 文件。
通过 PdfDocument.Pages[index] 属性获取特定页面。
创建一个 PdfTextExtractor 对象。
创建一个 PdfTextExtractOptions 对象并将 IsSimpleExtraction 属性设置为 true。
使用 PdfTextExtractor.ExtractText() 方法从所选页面中提取文本。
将提取的文本写入 TXT 文件。

C#
VB.NET

using System.IO;
using Spire.Pdf;
using Spire.Pdf.Texts;

namespace SimpleExtraction
{
    class Program
    {
        static void Main(string[] args)
        {
            //创建一个 PdfDocument 对象
            PdfDocument doc = new PdfDocument();

            //加载PDF文件
            doc.LoadFromFile("示例文件.pdf");

            //获取指定页面
            PdfPageBase page = doc.Pages[0];

            //创建一个 PdfTextExtractor 对象
            PdfTextExtractor textExtractor = new PdfTextExtractor(page);

            //创建一个 PdfTextExtractOptions 对象
            PdfTextExtractOptions extractOptions = new PdfTextExtractOptions();

            //将 IsSimpleExtraction 设置为true
            extractOptions.IsSimpleExtraction = true;

            //从指定页面提取文本
            string text = textExtractor.ExtractText(extractOptions);

            //将提取的文本写入 TXT 文件
            File.WriteAllText("提取文本.txt", text);
        }
    }
}

Imports System.IO
Imports Spire.Pdf
Imports Spire.Pdf.Texts

Namespace SimpleExtraction
    Friend Class Program
        Private Shared Sub Main(ByVal args As String())
            '创建一个 PdfDocument 对象
            Dim doc As PdfDocument = New PdfDocument()

            '加载PDF文件
            doc.LoadFromFile("示例文件.pdf")

            '获取指定页面
            Dim page As PdfPageBase = doc.Pages(0)

            '创建一个 PdfTextExtractor 对象
            Dim textExtractor As PdfTextExtractor = New PdfTextExtractor(page)

            '创建一个 PdfTextExtractOptions 对象
            Dim extractOptions As PdfTextExtractOptions = New PdfTextExtractOptions()

            '将 IsSimpleExtraction 设置为true
            extractOptions.IsSimpleExtraction = True

            '从指定页面提取文本
            Dim text As String = textExtractor.ExtractText(extractOptions)

            '将提取的文本写入 TXT 文件
            File.WriteAllText("提取文本.txt", text)
        End Sub
    End Class
End Namespace

C#/VB.NET：提取 PDF 文档中的文本

申请临时 License

如果您希望删除结果文档中的评估消息，或者摆脱功能限制，请该Email地址已收到反垃圾邮件插件保护。要显示它您需要在浏览器中启用JavaScript。获取有效期 30 天的临时许可证。