Szöveg kinyerése adott területekről opciókkal

Bevezetés

Ebben az oktatóanyagban megvizsgáljuk, hogyan használhatja a GroupDocs.Parser for .NET-et a dokumentum adott területeinek szövegének kinyerésére testreszabható beállításokkal. A GroupDocs.Parser egy hatékony könyvtár, amely lehetővé teszi a fejlesztők számára, hogy könnyedén elemezzenek és bontsanak ki szöveget különböző dokumentumformátumokból.

Előfeltételek

Mielőtt belemerülnénk a kódolásba, győződjön meg arról, hogy rendelkezik a következőkkel:

1. Fejlesztői környezet: Telepítse a Visual Studio-t vagy bármely más .NET fejlesztői IDE-t.
2. GroupDocs.Parser Library: Töltse le és telepítse a GroupDocs.Parser for .NET alkalmazást innenitt.
3. Mintafájl: Készítsen egy mintadokumentumot (pl. PDF, DOCX stb.) a szöveg kivonásához.

Névterek importálása

Először is importálnia kell a szükséges névtereket a GroupDocs.Parser osztályok és metódusok eléréséhez.

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

1. lépés: Hozzon létre egy példányt az elemző osztályból

Inicializálja aParser osztályba, megadva a mintafájl elérési útját.

using (Parser parser = new Parser("YourSampleFile.pdf"))
{
    // A szövegterület-kivonat kódja ide kerül
}

2. lépés: Adja meg a szövegterület kivonatolási beállításait

TeremtPageTextAreaOptions a szövegkivonás kritériumainak megadásához.

PageTextAreaOptions options = new PageTextAreaOptions("\\s[a-z]{2}\\s", new Rectangle(new Point(0, 0), new Size(300, 100)));

Ebben a példában:

• "\\s[a-z]{2}\\s" egy reguláris kifejezés minta, amely csak kisbetűket tartalmazó szövegterületekhez illeszkedik.
• new Rectangle(new Point(0, 0), new Size(300, 100)) meghatározza azt a téglalapot (pozíció és méret) az oldalon, amelyből a szöveget ki kell bontani.

3. lépés: Szövegterületek kibontása

Használja a megadott beállításokat a megadott feltételeknek megfelelő szövegterületek kibontásához.

IEnumerable<PageTextArea> areas = parser.GetTextAreas(options);

4. lépés: Ellenőrizze és ismételje meg a kivont szövegterületeket

Ellenőrizze, hogy a szövegterület-kivonás támogatott-e, majd ismételje meg a kibontott területeket.

if (areas == null)
{
    Console.WriteLine("Page text areas extraction isn't supported");
    return;
}
foreach (PageTextArea a in areas)
{
    Console.WriteLine(string.Format("Page: {0}, R: {1}, Text: {2}", a.Page.Index, a.Rectangle, a.Text));
}

Következtetés

Ebben az oktatóanyagban bemutattuk, hogyan lehet szöveget kivonni egy dokumentum bizonyos területeiről a GroupDocs.Parser for .NET segítségével. Ez a könyvtár széleskörű lehetőségeket kínál különféle dokumentumformátumok elemzéséhez, így értékes eszköz a szövegkivonási feladatokhoz.

GYIK

A GroupDocs.Parser ki tudja bontani a szöveget a beolvasott dokumentumokból?

Igen, a GroupDocs.Parser támogatja az OCR-alapú szövegkivonást a beolvasott dokumentumokhoz.

A GroupDocs.Parser kompatibilis több dokumentumformátummal?

Igen, képes elemezni és kivonatolni a szöveget PDF, DOCX, XLSX, PPTX és más népszerű formátumokból.

A GroupDocs.Parser támogatja a .NET Core-t?

Igen, a GroupDocs.Parser kompatibilis a .NET Core-val és a .NET-keretrendszerrel.

Kivonhatom a metaadatokat a szöveggel együtt a GroupDocs.Parser segítségével?

Igen, a dokumentumokból szöveges tartalmat és metaadatokat is kinyerhet.

Elérhető a GroupDocs.Parser próbaverziója?

Igen, ingyenes próbaverziót kaphat a webhelyenitt.