Εξαγωγή μορφοποιημένου κειμένου από τη σελίδα εγγράφου

Εισαγωγή

Σε αυτό το σεμινάριο, θα σας καθοδηγήσουμε στη διαδικασία εξαγωγής μορφοποιημένου κειμένου από σελίδες εγγράφων χρησιμοποιώντας το GroupDocs.Parser για .NET. Αυτή η βιβλιοθήκη σάς επιτρέπει να αναλύετε αποτελεσματικά και να εξάγετε κείμενο από διάφορες μορφές εγγράφων όπως PDF, Word, Excel και άλλα.

Προαπαιτούμενα

Πριν ξεκινήσουμε, βεβαιωθείτε ότι έχετε τα εξής:

• Το Visual Studio είναι εγκατεστημένο στο σύστημά σας.
• Βασικές γνώσεις προγραμματισμού C#.
• GroupDocs.Parser για τη βιβλιοθήκη .NET. Μπορείτε να το κατεβάσετεεδώ.

Εισαγωγή χώρων ονομάτων

Αρχικά, ξεκινήστε εισάγοντας τους απαραίτητους χώρους ονομάτων στο έργο σας C#.

using System;
using System.Collections.Generic;
using System.IO;
using System.Text;
using GroupDocs.Parser.Options;

Βήμα 1: Δημιουργήστε μια παρουσία κλάσης Parser

Ξεκινήστε δημιουργώντας ένα παράδειγμα τουParser τάξη παρέχοντας τη διαδρομή προς το δείγμα αρχείου σας.

using (Parser parser = new Parser("YourSampleFile.pdf"))
{
    // Ο κωδικός θα πάει εδώ
}

Βήμα 2: Ελέγξτε εάν υποστηρίζεται η εξαγωγή μορφοποιημένου κειμένου

Πριν προχωρήσετε στην εξαγωγή κειμένου, επαληθεύστε εάν το έγγραφο υποστηρίζει την εξαγωγή μορφοποιημένου κειμένου.

if (!parser.Features.FormattedText)
{
    Console.WriteLine("Document does not support formatted text extraction.");
    return;
}

Βήμα 3: Λήψη πληροφοριών εγγράφου

Ανακτήστε πληροφορίες σχετικά με το έγγραφο, όπως τον αριθμό των σελίδων.

IDocumentInfo documentInfo = parser.GetDocumentInfo();
if (documentInfo.PageCount == 0)
{
    Console.WriteLine("Document has no pages.");
    return;
}

Βήμα 4: Επανάληψη σελίδων σε έγγραφο και εξαγωγή μορφοποιημένου κειμένου

Επαναλάβετε σε κάθε σελίδα του εγγράφου και εξαγάγετε μορφοποιημένο κείμενο χρησιμοποιώντας καθορισμένες επιλογές (π.χ. μορφή Markdown).

for (int p = 0; p < documentInfo.PageCount; p++)
{
    Console.WriteLine($"Page {p + 1}/{documentInfo.PageCount}");
    
    using (TextReader reader = parser.GetFormattedText(p, new FormattedTextOptions(FormattedTextMode.Markdown)))
    {
        Console.WriteLine(reader.ReadToEnd());
    }
}

συμπέρασμα

Τώρα ξέρετε πώς να εξαγάγετε μορφοποιημένο κείμενο από σελίδες εγγράφων χρησιμοποιώντας το GroupDocs.Parser για .NET. Αυτή η βιβλιοθήκη παρέχει μια ισχυρή και εύχρηστη λύση για εξαγωγή κειμένου από διάφορες μορφές αρχείων.

Συχνές ερωτήσεις

Μπορεί το GroupDocs.Parser να χειριστεί διαφορετικές μορφές αρχείων;

Ναι, το GroupDocs.Parser υποστηρίζει ένα ευρύ φάσμα μορφών εγγράφων, συμπεριλαμβανομένων των PDF, DOCX, XLSX, PPTX και άλλων.

Είναι το GroupDocs.Parser συμβατό με .NET Core;

Ναι, το GroupDocs.Parser υποστηρίζει .NET Core και .NET Framework.

Διατηρεί το GroupDocs.Parser τη μορφοποίηση κειμένου κατά την εξαγωγή;

Ναι, το GroupDocs.Parser μπορεί να διατηρήσει τη μορφοποίηση, όπως στυλ και γραμματοσειρές κατά την εξαγωγή κειμένου.

Μπορώ να εξαγάγω εικόνες και μεταδεδομένα χρησιμοποιώντας το GroupDocs.Parser;

Ναι, το GroupDocs.Parser επιτρέπει την εξαγωγή εικόνων, μεταδεδομένων και κειμένου από έγγραφα.

Πώς μπορώ να λάβω υποστήριξη για το GroupDocs.Parser;

Μπορείτε να λάβετε υποστήριξη από τοGroupDocs.Parser φόρουμ.