Извлечь форматированный текст со страницы документа

Введение

В этом руководстве мы покажем вам процесс извлечения форматированного текста со страниц документа с помощью GroupDocs.Parser для .NET. Эта библиотека позволяет эффективно анализировать и извлекать текст из различных форматов документов, таких как PDF, Word, Excel и других.

Предварительные условия

Прежде чем мы начнем, убедитесь, что у вас есть следующее:

• Visual Studio установлена в вашей системе.
• Базовые знания программирования на C#.
• GroupDocs.Parser для библиотеки .NET. Вы можете скачать егоздесь.

Импортировать пространства имен

Сначала начните с импорта необходимых пространств имен в проект C#.

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

Шаг 1. Создайте экземпляр класса парсера

Начните с создания экземпляраParser class, указав путь к файлу примера.

using (Parser parser = new Parser("YourSampleFile.pdf"))
{
    // Код будет здесь
}

Шаг 2. Проверьте, поддерживается ли извлечение форматированного текста

Прежде чем приступить к извлечению текста, проверьте, поддерживает ли документ извлечение форматированного текста.

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

Шаг 3. Получите информацию о документе

Получите информацию о документе, например количество страниц.

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

Шаг 4. Перебор страниц документа и извлечение форматированного текста

Перебирайте каждую страницу документа и извлекайте форматированный текст, используя заданные параметры (например, формат 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());
    }
}

Заключение

Теперь вы знаете, как извлечь форматированный текст со страниц документа с помощью GroupDocs.Parser для .NET. Эта библиотека предоставляет мощное и простое в использовании решение для извлечения текста из файлов различных форматов.

Часто задаваемые вопросы

Может ли GroupDocs.Parser обрабатывать файлы разных форматов?

Да, GroupDocs.Parser поддерживает широкий спектр форматов документов, включая PDF, DOCX, XLSX, PPTX и другие.

Совместим ли GroupDocs.Parser с .NET Core?

Да, GroupDocs.Parser поддерживает .NET Core и .NET Framework.

Сохраняет ли GroupDocs.Parser форматирование текста во время извлечения?

Да, GroupDocs.Parser может сохранять форматирование, например стили и шрифты, при извлечении текста.

Могу ли я извлечь изображения и метаданные с помощью GroupDocs.Parser?

Да, GroupDocs.Parser позволяет извлекать изображения, метаданные и текст из документов.

Как я могу получить поддержку для GroupDocs.Parser?

Вы можете получить поддержку отФорум GroupDocs.Parser.