Extraia texto formatado da página do documento

Introdução

Neste tutorial, orientaremos você no processo de extração de texto formatado de páginas de documentos usando GroupDocs.Parser for .NET. Esta biblioteca permite analisar e extrair texto com eficiência de vários formatos de documentos, como PDF, Word, Excel e muito mais.

Pré-requisitos

Antes de começarmos, certifique-se de ter o seguinte:

• Visual Studio instalado em seu sistema.
• Conhecimento básico de programação C#.
• Biblioteca GroupDocs.Parser para .NET. Você pode baixá-loaqui.

Importar namespaces

Primeiro, comece importando os namespaces necessários para o seu projeto C#.

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

Etapa 1: crie uma instância da classe analisador

Comece criando uma instância doParser class fornecendo o caminho para seu arquivo de amostra.

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

Etapa 2: verifique se a extração de texto formatado é compatível

Antes de prosseguir com a extração de texto, verifique se o documento suporta extração de texto formatado.

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

Etapa 3: Obtenha informações do documento

Recuperar informações sobre o documento, como o número de páginas.

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

Etapa 4: iterar nas páginas do documento e extrair o texto formatado

Itere cada página do documento e extraia o texto formatado usando opções específicas (por exemplo, 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());
    }
}

Conclusão

Agora você sabe como extrair texto formatado de páginas de documentos usando GroupDocs.Parser for .NET. Esta biblioteca fornece uma solução poderosa e fácil de usar para extração de texto de vários formatos de arquivo.

Perguntas frequentes

O GroupDocs.Parser pode lidar com diferentes formatos de arquivo?

Sim, GroupDocs.Parser oferece suporte a uma ampla variedade de formatos de documentos, incluindo PDF, DOCX, XLSX, PPTX e muito mais.

O GroupDocs.Parser é compatível com o .NET Core?

Sim, GroupDocs.Parser oferece suporte a .NET Core e .NET Framework.

O GroupDocs.Parser preserva a formatação do texto durante a extração?

Sim, GroupDocs.Parser pode reter formatação como estilos e fontes ao extrair texto.

Posso extrair imagens e metadados usando GroupDocs.Parser?

Sim, GroupDocs.Parser permite a extração de imagens, metadados e texto de documentos.

Como posso obter suporte para GroupDocs.Parser?

Você pode obter suporte doFórum GroupDocs.Parser.