Extrahera formaterad text från dokumentsidan

Introduktion

I den här handledningen guidar vi dig genom processen att extrahera formaterad text från dokumentsidor med GroupDocs.Parser för .NET. Detta bibliotek låter dig analysera och extrahera text från olika dokumentformat som PDF, Word, Excel och mer.

Förutsättningar

Innan vi börjar, se till att du har följande:

• Visual Studio installerat på ditt system.
• Grundläggande kunskaper i C#-programmering.
• GroupDocs.Parser för .NET-bibliotek. Du kan ladda ner denhär.

Importera namnområden

Börja först med att importera de nödvändiga namnrymden till ditt C#-projekt.

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

Steg 1: Skapa en instans av Parser Class

Börja med att skapa en instans avParser klass genom att ange sökvägen till din exempelfil.

using (Parser parser = new Parser("YourSampleFile.pdf"))
{
    // Koden kommer hit
}

Steg 2: Kontrollera om formaterad textextraktion stöds

Innan du fortsätter med textextrahering, kontrollera om dokumentet stöder formaterad textextraktion.

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

Steg 3: Få dokumentinformation

Hämta information om dokumentet, till exempel antalet sidor.

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

Steg 4: Iterera över dokumentsidor och extrahera formaterad text

Iterera genom varje sida i dokumentet och extrahera formaterad text med angivna alternativ (t.ex. Markdown-format).

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());
    }
}

Slutsats

Nu vet du hur du extraherar formaterad text från dokumentsidor med GroupDocs.Parser för .NET. Detta bibliotek tillhandahåller en kraftfull och lättanvänd lösning för textextraktion från olika filformat.

FAQ’s

Kan GroupDocs.Parser hantera olika filformat?

Ja, GroupDocs.Parser stöder ett brett utbud av dokumentformat, inklusive PDF, DOCX, XLSX, PPTX och mer.

Är GroupDocs.Parser kompatibel med .NET Core?

Ja, GroupDocs.Parser stöder .NET Core och .NET Framework.

Behåller GroupDocs.Parser textformatering under extrahering?

Ja, GroupDocs.Parser kan behålla formatering som stilar och teckensnitt när text extraheras.

Kan jag extrahera bilder och metadata med GroupDocs.Parser?

Ja, GroupDocs.Parser tillåter extrahering av bilder, metadata och text från dokument.

Hur kan jag få support för GroupDocs.Parser?

Du kan få stöd frånGroupDocs.Parser-forum.