Extraia texto de áreas específicas com opções

Introdução

Neste tutorial, exploraremos como usar GroupDocs.Parser for .NET para extrair texto de áreas específicas de um documento usando opções personalizáveis. GroupDocs.Parser é uma biblioteca poderosa que permite aos desenvolvedores analisar e extrair texto de vários formatos de documentos sem esforço.

Pré-requisitos

Antes de mergulharmos na codificação, certifique-se de ter o seguinte:

1. Ambiente de desenvolvimento: Instale o Visual Studio ou qualquer outro IDE de desenvolvimento .NET.
2. Biblioteca GroupDocs.Parser: Baixe e instale GroupDocs.Parser for .NET emaqui.
3. Arquivo de amostra: prepare um documento de amostra (por exemplo, PDF, DOCX, etc.) para extrair o texto.

Importar namespaces

Primeiro, você precisará importar os namespaces necessários para acessar as classes e métodos GroupDocs.Parser.

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

Etapa 1: crie uma instância da classe analisador

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

using (Parser parser = new Parser("YourSampleFile.pdf"))
{
    // O código para extração de área de texto irá aqui
}

Etapa 2: definir opções de extração de área de texto

CriarPageTextAreaOptions para especificar os critérios para extração de texto.

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

Neste exemplo:

• "\\s[a-z]{2}\\s" é um padrão de expressão regular para corresponder a áreas de texto contendo apenas letras minúsculas.
• new Rectangle(new Point(0, 0), new Size(300, 100)) define o retângulo (posição e tamanho) na página da qual o texto será extraído.

Etapa 3: extrair áreas de texto

Use as opções definidas para extrair áreas de texto que atendam aos critérios especificados.

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

Etapa 4: verificar e iterar nas áreas de texto extraídas

Verifique se a extração de área de texto é suportada e, em seguida, itere sobre as áreas extraídas.

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));
}

Conclusão

Neste tutorial, abordamos como extrair texto de áreas específicas de um documento usando GroupDocs.Parser for .NET. Esta biblioteca oferece amplos recursos para analisar vários formatos de documentos, tornando-a uma ferramenta valiosa para tarefas de extração de texto.

Perguntas frequentes

O GroupDocs.Parser pode extrair texto de documentos digitalizados?

Sim, GroupDocs.Parser oferece suporte à extração de texto baseada em OCR para documentos digitalizados.

O GroupDocs.Parser é compatível com vários formatos de documentos?

Sim, ele pode analisar e extrair texto de PDF, DOCX, XLSX, PPTX e outros formatos populares.

O GroupDocs.Parser fornece suporte para .NET Core?

Sim, GroupDocs.Parser é compatível com .NET Core e também com .NET Framework.

Posso extrair metadados junto com texto usando GroupDocs.Parser?

Sim, você pode extrair conteúdo textual e metadados de documentos.

Existe uma versão de teste disponível para GroupDocs.Parser?

Sim, você pode obter um teste gratuito emaqui.