Extraer texto formateado de la página del documento

Introducción

En este tutorial, lo guiaremos a través del proceso de extracción de texto formateado de páginas de documentos usando GroupDocs.Parser para .NET. Esta biblioteca le permite analizar y extraer texto de manera eficiente desde varios formatos de documentos como PDF, Word, Excel y más.

Requisitos previos

Antes de comenzar, asegúrese de tener lo siguiente:

• Visual Studio instalado en su sistema.
• Conocimientos básicos de programación en C#.
• GroupDocs.Parser para la biblioteca .NET. Puedes descargarloaquí.

Importar espacios de nombres

Primero, comience importando los espacios de nombres necesarios a su proyecto C#.

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

Paso 1: crear una instancia de la clase Parser

Comience creando una instancia deParser class proporcionando la ruta a su archivo de muestra.

using (Parser parser = new Parser("YourSampleFile.pdf"))
{
    // El código irá aquí
}

Paso 2: compruebe si se admite la extracción de texto formateado

Antes de continuar con la extracción de texto, verifique si el documento admite la extracción de texto formateado.

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

Paso 3: Obtenga información del documento

Recupera información sobre el documento, como el número de páginas.

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

Paso 4: iterar sobre las páginas del documento y extraer texto formateado

Itere a través de cada página del documento y extraiga texto formateado usando opciones específicas (por ejemplo, formato 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());
    }
}

Conclusión

Ahora ya sabe cómo extraer texto formateado de páginas de documentos utilizando GroupDocs.Parser para .NET. Esta biblioteca proporciona una solución potente y fácil de usar para la extracción de texto de varios formatos de archivo.

Preguntas frecuentes

¿Puede GroupDocs.Parser manejar diferentes formatos de archivo?

Sí, GroupDocs.Parser admite una amplia gama de formatos de documentos, incluidos PDF, DOCX, XLSX, PPTX y más.

¿GroupDocs.Parser es compatible con .NET Core?

Sí, GroupDocs.Parser es compatible con .NET Core y .NET Framework.

¿GroupDocs.Parser conserva el formato del texto durante la extracción?

Sí, GroupDocs.Parser puede conservar formatos como estilos y fuentes al extraer texto.

¿Puedo extraer imágenes y metadatos usando GroupDocs.Parser?

Sí, GroupDocs.Parser permite la extracción de imágenes, metadatos y texto de documentos.

¿Cómo puedo obtener soporte para GroupDocs.Parser?

Puede obtener apoyo delForo GroupDocs.Parser.