البحث واستخراج نص PDF في Java

Aspose.PDF for Java يدعم استخراج النص الخام والبحث على مستوى القطع مع الإحداثيات والأنماط ومطابقة regex.

استخراج النص من جميع الصفحات باستخدام TextAbsorber

استخدم هذا المثال عندما تحتاج إلى نص مستخرج بسيط من منطقة مختارة في المستند عبر جميع الصفحات.

  1. افتح مستند PDF المصدر.
  2. أنشئ TextExtractionOptions والمعتمد على المنطقة TextSearchOptions.
  3. شغّل TextAbsorber على جميع الصفحات وإخراج النص المستخرج.
public static void textAbsorberSearch(Path inputFile) {
        try (Document document = new Document(inputFile.toString())) {
            TextExtractionOptions textExtractionOptions = new TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure);
            TextSearchOptions textSearchOptions = new TextSearchOptions(new Rectangle(0, 0, 842, 250, true));
            TextAbsorber absorber = new TextAbsorber(textExtractionOptions, textSearchOptions);

            document.getPages().accept(absorber);
            System.out.println("Text fragments found: " + absorber.getText());
        }
    }

استخراج النص من صفحة واحدة باستخدام TextAbsorber

استخدم هذا المثال عندما يجب أن يقتصر استخراج النص العادي على صفحة واحدة.

  1. افتح مستند PDF المصدر.
  2. اضبط استخراج النص وخيارات البحث مع المنطقة المستهدفة.
  3. شغّل TextAbsorber على الصفحة المحددة وإخراج النتيجة.
public static void textAbsorberSearchPage(Path inputFile) {
    try (Document document = new Document(inputFile.toString())) {
        TextExtractionOptions textExtractionOptions = new TextExtractionOptions(TextExtractionOptions.TextFormattingMode.Pure);
        TextSearchOptions textSearchOptions = new TextSearchOptions(new Rectangle(0, 0, 842, 250, true));
        TextAbsorber absorber = new TextAbsorber(textExtractionOptions, textSearchOptions);

        document.getPages().get_Item(2).accept(absorber);
        System.out.println("Text fragments found: " + absorber.getText());
    }
}

افحص جميع شظايا النص في المستند

استخدم هذا المثال عندما تحتاج إلى محتوى نصي مع بيانات الخط والموضع واللون.

  1. افتح مستند PDF المصدر.
  2. شغّل TextFragmentAbsorber عبر جميع الصفحات.
  3. مرّ على القطع وإخراج البيانات الوصفية الخاصة بها.
public static void textFragmentAbsorberSearch(Path inputFile) {
    try (Document document = new Document(inputFile.toString())) {
        TextFragmentAbsorber absorber = new TextFragmentAbsorber();
        document.getPages().accept(absorber);

        for (TextFragment fragment : absorber.getTextFragments()) {
            System.out.println("Text: " + fragment.getText());
            System.out.println("Position: " + fragment.getPosition());
            System.out.println("XIndent: " + fragment.getPosition().getXIndent());
            System.out.println("YIndent: " + fragment.getPosition().getYIndent());
            System.out.println("Font - Name: " + fragment.getTextState().getFont().getFontName());
            System.out.println("Font - IsAccessible: " + fragment.getTextState().getFont().isAccessible());
            System.out.println("Font - IsEmbedded: " + fragment.getTextState().getFont().isEmbedded());
            System.out.println("Font - IsSubset: " + fragment.getTextState().getFont().isSubset());
            System.out.println("Font Size: " + fragment.getTextState().getFontSize());
            System.out.println("Foreground Color: " + fragment.getTextState().getForegroundColor());
        }
    }
}

ابحث عن عبارة واحدة في صفحة محددة

استخدم هذا المثال عندما يجب العثور على كلمة الهدف في صفحة مختارة فقط.

  1. افتح مستند PDF المصدر.
  2. أنشئ TextFragmentAbsorber مع العبارة المستهدفة.
  3. زُر الصفحة المختارة وأخرج مواضع الأجزاء المتطابقة.
public static void textFragmentAbsorberSearchPage(Path inputFile) {
    try (Document document = new Document(inputFile.toString())) {
        TextFragmentAbsorber absorber = new TextFragmentAbsorber("whale");
        document.getPages().get_Item(2).accept(absorber);

        for (TextFragment fragment : absorber.getTextFragments()) {
            System.out.println("Text: " + fragment.getText());
            System.out.println("Position: " + fragment.getPosition());
        }
    }
}

متابعة بحث متسلسل عبر الصفحات

استخدم هذا المثال عندما تريد إعادة استخدام ممتص واحد أثناء الانتقال من بحث صفحة إلى الأخرى.

  1. افتح مستند PDF المصدر وأنشئ ماصًا قابلاً لإعادة الاستخدام.
  2. ابحث في الصفحة الأولى وتفقد النتائج.
  3. استمر في البحث عن صفحات إضافية ومراجعة التطابقات المحدّثة.
public static void textFragmentAbsorberSequentialSearch(Path inputFile) {
    Document document = new Document(inputFile.toString());
    TextFragmentAbsorber absorber = new TextFragmentAbsorber();
    absorber.setPhrase("whale");

    document.getPages().get_Item(1).accept(absorber);
    for (TextFragment fragment : absorber.getTextFragments()) {
        System.out.println("Text: " + fragment.getText());
        System.out.println("Page: " + fragment.getPage().getNumber());
        System.out.println("Position: " + fragment.getPosition());
    }

    System.out.println("--");

    document.getPages().get_Item(2).accept(absorber);
    absorber.visit(document);

    for (TextFragment fragment : absorber.getTextFragments()) {
        System.out.println("Text: " + fragment.getText());
        System.out.println("Page: " + fragment.getPage().getNumber());
        System.out.println("Position: " + fragment.getPosition());
    }
}

ابحث عن عبارة داخل مستطيل محدد

استخدم هذا المثال عندما يجب أن يقتصر مطابقة العبارات على منطقة في صفحة واحدة.

  1. افتح مستند PDF المصدر.
  2. أنشئ TextFragmentAbsorber مع العبارة المستهدفة والمعتمد على المستطيل TextSearchOptions.
  3. زُر الصفحة وأخرج مواضع القطع المتطابقة.
public static void textFragmentAbsorberSearchPhrase(Path inputFile) {
    try (Document document = new Document(inputFile.toString())) {
        TextFragmentAbsorber absorber = new TextFragmentAbsorber(
                "elephant", new TextSearchOptions(new Rectangle(0, 0, 842, 250, true)));

        document.getPages().get_Item(2).accept(absorber);

        for (TextFragment fragment : absorber.getTextFragments()) {
            System.out.println("Text: " + fragment.getText());
            System.out.println("Position: " + fragment.getPosition());
        }
    }
}

ابحث عن النص باستخدام تعبير عادي

استخدم هذا المثال عندما يجب العثور على التطابقات بنمط regex بدلاً من العبارة الثابتة

  1. افتح مستند PDF المصدر.
  2. أنشئ regex-enabled TextFragmentAbsorber.
  3. زُر الصفحة المستهدفة وأخرج المقاطع المطابقة.
public static void textFragmentAbsorberSearchRegex(Path inputFile) {
    try (Document document = new Document(inputFile.toString())) {
        TextFragmentAbsorber absorber = new TextFragmentAbsorber(
                Pattern.compile("\\d+\\.\\d+"), new TextSearchOptions(true));

        document.getPages().get_Item(2).accept(absorber);

        for (TextFragment fragment : absorber.getTextFragments()) {
            System.out.println("Text: " + fragment.getText());
            System.out.println("Position: " + fragment.getPosition());
        }
    }
}

ابحث في قائمة من العبارات باستخدام أنماط regex

استخدم هذا المثال عندما يجب العثور على عدة عبارات مستهدفة في تمريرة واحدة.

  1. افتح مستند PDF المصدر.
  2. أنشئ مصفوفة من أنماط regex وتمريرها إلى TextFragmentAbsorber.
  3. زُر المستند وتفقد النتائج المجمعة للتعبير النمطي.
public static void textFragmentAbsorberSearchListOfPhrases(Path inputFile) {
    try (Document document = new Document(inputFile.toString())) {
        Pattern[] patterns = new Pattern[] {
                Pattern.compile("whale"),
                Pattern.compile("elephant")
        };
        TextFragmentAbsorber absorber = new TextFragmentAbsorber(patterns, new TextSearchOptions(true));
        document.getPages().accept(absorber);

        for (TextFragmentCollection fragments : absorber.getRegexResults().values()) {
            for (TextFragment fragment : fragments) {
                System.out.println("Text: " + fragment.getText());
                System.out.println("Position: " + fragment.getPosition());
            }
        }
    }
}

ابحث عن النص وحوله إلى روابط تشعبية

استخدم هذا المثال عندما يجب تمييز الكلمات المتطابقة وتحويلها إلى روابط قابلة للنقر.

  1. افتح مستند PDF المصدر.
  2. ابحث عن الكلمات المستهدفة مع تمكين البحث باستخدام regex.
  3. حدّث نمط النص، أرفق الروابط التشعبية، واحفظ ملف PDF المعدل.
public static void textFragmentAbsorberSearchAndAddHyperlink(Path inputFile) {
    try (Document document = new Document(inputFile.toString())) {
        TextFragmentAbsorber absorber = new TextFragmentAbsorber("whale|elephant");
        absorber.setTextSearchOptions(new TextSearchOptions(true));
        absorber.visit(document.getPages().get_Item(1));

        for (TextFragment fragment : absorber.getTextFragments()) {
            fragment.getTextState().setForegroundColor(Color.getBlue());
            fragment.getTextState().setUnderline(true);
            fragment.setHyperlink(new WebHyperlink("https://en.wikipedia.org/wiki/" + fragment.getText()));
        }

        document.save(inputFile.toString().replace("in.pdf", "out.pdf"));
    }
}

بحث النص حسب خصائص النمط

استخدم هذا المثال عندما تحتاج إلى فحص المقاطع بناءً على التنسيق مثل النص الغامق أو النص غير المرئي.

  1. افتح مستند PDF المصدر.
  2. شغّل TextFragmentAbsorber على الصفحة المستهدفة.
  3. تحقّق من كل نمط للجزء وأخرج الإدخالات المطابقة.
public static void textFragmentAbsorberSearchStyledText(Path inputFile) {
    try (Document document = new Document(inputFile.toString())) {
        TextFragmentAbsorber absorber = new TextFragmentAbsorber();
        absorber.setTextSearchOptions(new TextSearchOptions(true));
        absorber.visit(document.getPages().get_Item(1));

        for (TextFragment fragment : absorber.getTextFragments()) {
            if (fragment.getTextState().getFontStyle() == FontStyles.Bold) {
                System.out.println("Bold: " + fragment.getText());
            }
            if (fragment.getTextState().isInvisible()) {
                System.out.println("Invisible: " + fragment.getText());
            }
        }
    }
}

تمييز نتائج البحث في معاينات الصفحات المعروضة

استخدم هذا المثال عندما يجب ربط تطابق النصوص مع صور الصفحات المعروضة للتفتيش البصري.

  1. أنشئ جهاز PNG بالدقة المطلوبة.
  2. ابحث في كل صفحة باستخدام TextFragmentAbsorber وعرض الصفحة إلى تدفق صورة.
  3. اكتب صور معاينة الصفحة وإحداثيات قطع الإخراج للفحص.
public static void textFragmentAbsorberSearchAndHighlight(Path inputFile) throws Exception {
    int resolution = 150;
    PngDevice pngDevice = new PngDevice(new Resolution(resolution, resolution));

    try (Document document = new Document(inputFile.toString())) {
        TextFragmentAbsorber absorber = new TextFragmentAbsorber(Pattern.compile("[\\S]+"));
        absorber.setTextSearchOptions(new TextSearchOptions(true));

        for (int pageNumber = 1; pageNumber <= document.getPages().size(); pageNumber++) {
            Page page = document.getPages().get_Item(pageNumber);
            page.accept(absorber);

            try (ByteArrayOutputStream stream = new ByteArrayOutputStream()) {
                pngDevice.process(page, stream);
                Path output = Path.of(inputFile.toString().replace("_in.pdf", page.getNumber() + "_out.png"));
                Files.write(output, stream.toByteArray());
            }

            for (TextFragment textFragment : absorber.getTextFragments()) {
                Rectangle pageRect = page.getPageRect(true);
                System.out.println("TextFragment = " + textFragment.getText()
                        + " Page URY = " + pageRect.getURY()
                        + " TextFragment URY = " + textFragment.getRectangle().getURY());
            }
        }
    }
}
تدوير نص PDF في Java تنسيق نص PDF في Java