Formázott szöveg kibontása a dokumentumoldalról

Bevezetés

Ebben az oktatóanyagban végigvezetjük a formázott szöveg kinyerésének folyamatán a dokumentumoldalakról a GroupDocs.Parser for .NET segítségével. Ez a könyvtár lehetővé teszi a szövegek hatékony elemzését és kinyerését különféle dokumentumformátumokból, például PDF, Word, Excel stb.

Előfeltételek

Mielőtt elkezdené, győződjön meg arról, hogy rendelkezik az alábbiakkal:

• A Visual Studio telepítve van a rendszerére.
• C# programozási alapismeretek.
• GroupDocs.Parser .NET könyvtárhoz. Letölthetiitt.

Névterek importálása

Először is kezdje a szükséges névterek importálásával a C# projektbe.

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

1. lépés: Hozzon létre egy példányt az elemző osztályból

Kezdje a példány létrehozásával aParser osztályba, megadva a mintafájl elérési útját.

using (Parser parser = new Parser("YourSampleFile.pdf"))
{
    // A kód ide fog kerülni
}

2. lépés: Ellenőrizze, hogy a formázott szöveg kibontása támogatott-e

Mielőtt folytatná a szövegkivonást, ellenőrizze, hogy a dokumentum támogatja-e a formázott szövegkivonást.

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

3. lépés: Dokumentuminformációk lekérése

Információk lekérése a dokumentumról, például az oldalak száma.

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

4. lépés: Ismételje meg a dokumentumoldalakat és vonja ki a formázott szöveget

Ismételje meg a dokumentum minden oldalát, és bontsa ki a formázott szöveget meghatározott beállításokkal (pl. Markdown formátum).

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());
    }
}

Következtetés

Most már tudja, hogyan lehet formázott szöveget kivonni a dokumentumoldalakról a GroupDocs.Parser for .NET segítségével. Ez a könyvtár hatékony és könnyen használható megoldást kínál szövegek kinyerésére különféle fájlformátumokból.

GYIK

A GroupDocs.Parser képes kezelni a különböző fájlformátumokat?

Igen, a GroupDocs.Parser a dokumentumformátumok széles skáláját támogatja, beleértve a PDF, DOCX, XLSX, PPTX stb.

A GroupDocs.Parser kompatibilis a .NET Core-al?

Igen, a GroupDocs.Parser támogatja a .NET Core-t és a .NET-keretrendszert.

A GroupDocs.Parser megőrzi a szöveg formázását a kibontás során?

Igen, a GroupDocs.Parser meg tudja őrizni a formázást, például a stílusokat és a betűtípusokat a szöveg kibontásakor.

Kivonhatok képeket és metaadatokat a GroupDocs.Parser segítségével?

Igen, a GroupDocs.Parser lehetővé teszi képek, metaadatok és szövegek kinyerését a dokumentumokból.

Hogyan kaphatok támogatást a GroupDocs.Parser számára?

Támogatást kaphat aGroupDocs.Parser fórum.