Recherche et extraction de texte des pages d'un PDF

Le code suivant fonctionne également avec la bibliothèque Aspose.PDF.Drawing.

Rechercher et obtenir du texte de toutes les pages d’un document PDF

La classe TextFragmentAbsorber vous permet de trouver du texte, correspondant à une phrase particulière, à partir de toutes les pages d’un document PDF. Pour rechercher du texte dans tout le document, vous devez appeler la méthode Accept de la collection Pages. La méthode Accept prend comme paramètre un objet TextFragmentAbsorber, qui renvoie une collection d’objets TextFragment. Vous pouvez parcourir tous les fragments et obtenir leurs propriétés telles que le Texte, la Position (XIndent, YIndent), le Nom de la Police, la Taille de la Police, IsAccessible, IsEmbedded, IsSubset, la Couleur de Premier Plan, etc.

Le code suivant vous montre comment rechercher du texte dans toutes les pages.

// Pour des exemples complets et des fichiers de données, veuillez aller à https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// Le chemin vers le répertoire des documents.
string dataDir = RunExamples.GetDataDir_AsposePdf_Text();

// Ouvrir le document
Document pdfDocument = new Document(dataDir + "SearchAndGetTextFromAll.pdf");

// Créer un objet TextAbsorber pour trouver toutes les instances de la phrase de recherche entrée
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("texte");

// Accepter l'absorbeur pour toutes les pages
pdfDocument.Pages.Accept(textFragmentAbsorber);

// Obtenir les fragments de texte extraits
TextFragmentCollection textFragmentCollection = textFragmentAbsorber.TextFragments;

// Parcourir les fragments
foreach (TextFragment textFragment in textFragmentCollection)
{

    Console.WriteLine("Texte : {0} ", textFragment.Text);
    Console.WriteLine("Position : {0} ", textFragment.Position);
    Console.WriteLine("XIndent : {0} ", textFragment.Position.XIndent);
    Console.WriteLine("YIndent : {0} ", textFragment.Position.YIndent);
    Console.WriteLine("Police - Nom : {0}", textFragment.TextState.Font.FontName);
    Console.WriteLine("Police - IsAccessible : {0} ", textFragment.TextState.Font.IsAccessible);
    Console.WriteLine("Police - IsEmbedded : {0} ", textFragment.TextState.Font.IsEmbedded);
    Console.WriteLine("Police - IsSubset : {0} ", textFragment.TextState.Font.IsSubset);
    Console.WriteLine("Taille de la police : {0} ", textFragment.TextState.FontSize);
    Console.WriteLine("Couleur de premier plan : {0} ", textFragment.TextState.ForegroundColor);
}

Au cas où vous auriez besoin de rechercher du texte à l’intérieur d’une page PDF spécifique, veuillez spécifier le numéro de page de la collection de pages de l’instance de Document et appeler la méthode Accept pour cette page (comme indiqué dans la ligne de code ci-dessous).

// Pour des exemples complets et des fichiers de données, veuillez aller sur https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// Accepter l'absorbeur pour une page particulière
pdfDocument.Pages[2].Accept(textFragmentAbsorber);

Rechercher et obtenir des segments de texte de toutes les pages du document PDF

Pour rechercher des segments de texte à partir de toutes les pages, vous devez d’abord obtenir les objets TextFragment du document. Pour rechercher des segments de texte à partir de toutes les pages, vous devez d’abord obtenir les objets TextFragment du document.

// Pour des exemples complets et des fichiers de données, veuillez visiter https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// Le chemin vers le répertoire des documents.
string dataDir = RunExamples.GetDataDir_AsposePdf_Text();

// Ouvrir le document
Document pdfDocument = new Document(dataDir + "SearchAndGetTextPage.pdf");

// Créer un objet TextAbsorber pour trouver toutes les instances de la phrase de recherche saisie
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("Figure");
// Accepter l'absorbeur pour toutes les pages
pdfDocument.Pages.Accept(textFragmentAbsorber);
// Obtenir les fragments de texte extraits
TextFragmentCollection textFragmentCollection = textFragmentAbsorber.TextFragments;
// Parcourir les fragments
foreach (TextFragment textFragment in textFragmentCollection)
{
    foreach (TextSegment textSegment in textFragment.Segments)
    {
        Console.WriteLine("Texte : {0} ", textSegment.Text);
        Console.WriteLine("Position : {0} ", textSegment.Position);
        Console.WriteLine("Décalage X : {0} ", textSegment.Position.XIndent);
        Console.WriteLine("Décalage Y : {0} ", textSegment.Position.YIndent);
        Console.WriteLine("Police - Nom : {0}", textSegment.TextState.Font.FontName);
        Console.WriteLine("Police - Accessible : {0} ", textSegment.TextState.Font.IsAccessible);
        Console.WriteLine("Police - Intégrée : {0} ", textSegment.TextState.Font.IsEmbedded);
        Console.WriteLine("Police - Sous-ensemble : {0} ", textSegment.TextState.Font.IsSubset);
        Console.WriteLine("Taille de la police : {0} ", textSegment.TextState.FontSize);
        Console.WriteLine("Couleur de premier plan : {0} ", textSegment.TextState.ForegroundColor);
    }
}

Afin de rechercher et d’obtenir des segments de texte d’une page spécifique d’un PDF, vous devez spécifier l’indice de la page particulière lors de l’appel de la méthode Accept(..). Veuillez consulter les lignes de code suivantes.

// Pour des exemples complets et des fichiers de données, veuillez consulter https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// Accepter l'absorbeur pour toutes les pages
pdfDocument.Pages[2].Accept(textFragmentAbsorber);

Rechercher et obtenir du texte de toutes les pages en utilisant une expression régulière

TextFragmentAbsorber vous aide à rechercher et récupérer du texte, de toutes les pages, en fonction d’une expression régulière. TextFragmentAbsorber vous aide à rechercher et récupérer du texte, de toutes les pages, en fonction d’une expression régulière.

// Pour des exemples complets et des fichiers de données, veuillez visiter https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// Le chemin vers le répertoire des documents.
string dataDir = RunExamples.GetDataDir_AsposePdf_Text();

// Ouvrir le document
Document pdfDocument = new Document(dataDir + "SearchRegularExpressionAll.pdf");

// Créer un objet TextAbsorber pour trouver toutes les phrases correspondant à l'expression régulière
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("\\d{4}-\\d{4}"); // Comme 1999-2000

// Définir l'option de recherche de texte pour spécifier l'utilisation de l'expression régulière
TextSearchOptions textSearchOptions = new TextSearchOptions(true);

textFragmentAbsorber.TextSearchOptions = textSearchOptions;

// Accepter l'absorbeur pour toutes les pages
pdfDocument.Pages.Accept(textFragmentAbsorber);

// Obtenir les fragments de texte extraits
TextFragmentCollection textFragmentCollection = textFragmentAbsorber.TextFragments;

// Parcourir les fragments
foreach (TextFragment textFragment in textFragmentCollection)
{
    Console.WriteLine("Texte : {0} ", textFragment.Text);
    Console.WriteLine("Position : {0} ", textFragment.Position);
    Console.WriteLine("Indentation X : {0} ", textFragment.Position.XIndent);
    Console.WriteLine("Indentation Y : {0} ", textFragment.Position.YIndent);
    Console.WriteLine("Police - Nom : {0}", textFragment.TextState.Font.FontName);
    Console.WriteLine("Police - Accessible : {0} ", textFragment.TextState.Font.IsAccessible);
    Console.WriteLine("Police - Incorporée : {0} ", textFragment.TextState.Font.IsEmbedded);
    Console.WriteLine("Police - Sous-ensemble : {0} ", textFragment.TextState.Font.IsSubset);
    Console.WriteLine("Taille de la police : {0} ", textFragment.TextState.FontSize);
    Console.WriteLine("Couleur de premier plan : {0} ", textFragment.TextState.ForegroundColor);
}

// Pour des exemples complets et des fichiers de données, veuillez visiter https://github.com/aspose-pdf/Aspose.PDF-for-.NET
TextFragmentAbsorber textFragmentAbsorber;
// Afin de rechercher une correspondance exacte d'un mot, vous pouvez envisager d'utiliser une expression régulière.
textFragmentAbsorber = new TextFragmentAbsorber(@"\bWord\b", new TextSearchOptions(true));

// Afin de rechercher une chaîne en majuscules ou en minuscules, vous pouvez envisager d'utiliser une expression régulière.
textFragmentAbsorber = new TextFragmentAbsorber("(?i)Line", new TextSearchOptions(true));

// Afin de rechercher toutes les chaînes (analyser toutes les chaînes) à l'intérieur d'un document PDF, veuillez essayer d'utiliser l'expression régulière suivante.
textFragmentAbsorber = new TextFragmentAbsorber(@"[\S]+");

// Trouver la correspondance de la chaîne de recherche et obtenir tout ce qui suit la chaîne jusqu'au saut de ligne.
textFragmentAbsorber = new TextFragmentAbsorber(@"(?i)the ((.)*)");

// Veuillez utiliser l'expression régulière suivante pour trouver le texte suivant la correspondance de l'expression régulière.
textFragmentAbsorber = new TextFragmentAbsorber(@"(?<=word).*");

// Afin de rechercher des hyperliens/URL à l'intérieur d'un document PDF, veuillez essayer d'utiliser l'expression régulière suivante.
textFragmentAbsorber = new TextFragmentAbsorber(@"(http|ftp|https):\/\/([\w\-_]+(?:(?:\.[\w\-_]+)+))([\w\-\.,@?^=%&amp;:/~\+#]*[\w\-\@?^=%&amp;/~\+#])?");

Recherche de texte basée sur Regex et ajout de lien hypertexte

Si vous souhaitez ajouter un lien hypertexte sur une phrase de texte en fonction d’une expression régulière, commencez par trouver toutes les phrases correspondant à cette expression régulière en utilisant TextFragmentAbsorber et ajoutez un lien hypertexte sur ces phrases.

Pour trouver une phrase et y ajouter un lien hypertexte :

Passez l’expression régulière en paramètre au constructeur de TextFragmentAbsorber.
Créez un objet TextSearchOptions qui spécifie si l’expression régulière est utilisée ou non.
Obtenez les phrases correspondantes dans TextFragments.
Parcourez les correspondances pour obtenir leurs dimensions rectangulaires, changez la couleur de premier plan en bleu (optionnel - pour qu’elle apparaisse comme un lien hypertexte et créez un lien en utilisant la méthode CreateWebLink(..) de la classe PdfContentEditor.
Sauvegardez le PDF mis à jour en utilisant la méthode Save de l’objet Document. Le code suivant montre comment rechercher du texte dans un fichier PDF en utilisant une expression régulière et ajouter des liens hypertextes sur les correspondances.

// Pour des exemples complets et des fichiers de données, veuillez aller sur https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// Le chemin vers le répertoire des documents.
string dataDir = RunExamples.GetDataDir_AsposePdf_Text();
// Créer un objet absorbeur pour trouver toutes les instances de la phrase de recherche entrée
TextFragmentAbsorber absorber = new TextFragmentAbsorber("\\d{4}-\\d{4}");
// Activer la recherche par expression régulière
absorber.TextSearchOptions = new TextSearchOptions(true);
// Ouvrir le document
PdfContentEditor editor = new PdfContentEditor();
// Lier le fichier PDF source
editor.BindPdf(dataDir + "SearchRegularExpressionPage.pdf");
// Accepter l'absorbeur pour la page
editor.Document.Pages[1].Accept(absorber);

int[] dashArray = { };
String[] LEArray = { };
System.Drawing.Color blue = System.Drawing.Color.Blue;

// Boucler à travers les fragments
foreach (TextFragment textFragment in absorber.TextFragments)
{
    textFragment.TextState.ForegroundColor = Aspose.Pdf.Color.Blue;
    System.Drawing.Rectangle rect = new System.Drawing.Rectangle((int)textFragment.Rectangle.LLX,
        (int)Math.Round(textFragment.Rectangle.LLY), (int)Math.Round(textFragment.Rectangle.Width + 2),
        (int)Math.Round(textFragment.Rectangle.Height + 1));
    Enum[] actionName = new Enum[2] { Aspose.Pdf.Annotations.PredefinedAction.Document_AttachFile, Aspose.Pdf.Annotations.PredefinedAction.Document_ExtractPages };
    editor.CreateWebLink(rect, "http:// Www.aspose.com", 1, blue, actionName);
    editor.CreateLine(rect, "", (float)textFragment.Rectangle.LLX + 1, (float)textFragment.Rectangle.LLY - 1,
        (float)textFragment.Rectangle.URX, (float)textFragment.Rectangle.LLY - 1, 1, 1, blue, "S", dashArray, LEArray);
}

dataDir = dataDir + "SearchTextAndAddHyperlink_out.pdf";
editor.Save(dataDir);
editor.Close();

Recherche et dessin d’un rectangle autour de chaque fragment de texte

Aspose.PDF pour .NET prend en charge la fonctionnalité de recherche et d’obtention des coordonnées de chaque caractère ou fragment de texte. Ainsi, pour être certain des coordonnées renvoyées pour chaque caractère, nous pouvons envisager de mettre en évidence (ajouter un rectangle) autour de chaque caractère.

Dans le cas d’un paragraphe de texte, vous pouvez envisager d’utiliser une expression régulière pour déterminer la coupure de paragraphe et dessiner un rectangle autour. Veuillez regarder le morceau de code suivant. Ce morceau de code obtient les coordonnées de chaque caractère et crée un rectangle autour de chaque caractère.

// Pour des exemples complets et des fichiers de données, veuillez aller sur https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// Le chemin vers le répertoire des documents.
string dataDir = RunExamples.GetDataDir_AsposePdf_Text();

// Ouvrir le document
Document document = new Document(dataDir + "SearchAndGetTextFromAll.pdf");

// Créer un objet TextAbsorber pour trouver toutes les phrases correspondant à l'expression régulière

TextFragmentAbsorber textAbsorber = new TextFragmentAbsorber(@"[\S]+");

TextSearchOptions textSearchOptions = new TextSearchOptions(true);

textAbsorber.TextSearchOptions = textSearchOptions;

document.Pages.Accept(textAbsorber);

var editor = new PdfContentEditor(document);

foreach (TextFragment textFragment in textAbsorber.TextFragments)
{
    foreach (TextSegment textSegment in textFragment.Segments)
    {
        DrawBox(editor, textFragment.Page.Number, textSegment, System.Drawing.Color.Red);
    }

}
dataDir = dataDir + "SearchTextAndDrawRectangle_out.pdf";
document.Save(dataDir);

Mettre en évidence chaque caractère dans un document PDF

Vous pouvez essayer de rechercher du texte dans un document en utilisant Aspose.PDF et obtenir les résultats en ligne à ce lien

Aspose.PDF pour .NET prend en charge la fonction de recherche et d’obtention des coordonnées de chaque caractère ou fragment de texte. Ainsi, afin d’être certain des coordonnées renvoyées pour chaque caractère, nous pouvons envisager de les mettre en évidence (ajouter un rectangle) autour de chaque caractère. Le fragment de code suivant obtient les coordonnées de chaque caractère et crée un rectangle autour de chaque caractère.

// Pour des exemples complets et des fichiers de données, veuillez aller à https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// Le chemin vers le répertoire des documents.
string dataDir = RunExamples.GetDataDir_AsposePdf_Text();

int resolution = 150;

Aspose.Pdf.Document pdfDocument = new Aspose.Pdf.Document(dataDir + "input.pdf");

using (MemoryStream ms = new MemoryStream())
{
    PdfConverter conv = new PdfConverter(pdfDocument);
    conv.Resolution = new Resolution(resolution, resolution);
    conv.GetNextImage(ms, System.Drawing.Imaging.ImageFormat.Png);

    Bitmap bmp = (Bitmap)Bitmap.FromStream(ms);

    using (System.Drawing.Graphics gr = System.Drawing.Graphics.FromImage(bmp))
    {
        float scale = resolution / 72f;
        gr.Transform = new System.Drawing.Drawing2D.Matrix(scale, 0, 0, -scale, 0, bmp.Height);

        for (int i = 0; i < pdfDocument.Pages.Count; i++)
        {
Page page = pdfDocument.Pages[1];
// Créer un objet TextAbsorber pour trouver tous les mots
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber(@"[\S]+");
textFragmentAbsorber.TextSearchOptions.IsRegularExpressionUsed = true;
page.Accept(textFragmentAbsorber);
// Obtenir les fragments de texte extraits
TextFragmentCollection textFragmentCollection = textFragmentAbsorber.TextFragments;
// Parcourir les fragments
foreach (TextFragment textFragment in textFragmentCollection)
{
    if (i == 0)
    {
        gr.DrawRectangle(
        Pens.Yellow,
        (float)textFragment.Position.XIndent,
        (float)textFragment.Position.YIndent,
        (float)textFragment.Rectangle.Width,
        (float)textFragment.Rectangle.Height);

        for (int segNum = 1; segNum <= textFragment.Segments.Count; segNum++)
        {
TextSegment segment = textFragment.Segments[segNum];

for (int charNum = 1; charNum <= segment.Characters.Count; charNum++)
{
    CharInfo characterInfo = segment.Characters[charNum];

    Aspose.Pdf.Rectangle rect = page.GetPageRect(true);
    Console.WriteLine("TextFragment = " + textFragment.Text + "    Page URY = " + rect.URY +
          "   TextFragment URY = " + textFragment.Rectangle.URY);

    gr.DrawRectangle(
    Pens.Black,
    (float)characterInfo.Rectangle.LLX,
    (float)characterInfo.Rectangle.LLY,
    (float)characterInfo.Rectangle.Width,
    (float)characterInfo.Rectangle.Height);
}

gr.DrawRectangle(
Pens.Green,
(float)segment.Rectangle.LLX,
(float)segment.Rectangle.LLY,
(float)segment.Rectangle.Width,
(float)segment.Rectangle.Height);
        }
    }
}
        }
    }
    dataDir = dataDir + "HighlightCharacterInPDF_out.png";
    bmp.Save(dataDir, System.Drawing.Imaging.ImageFormat.Png);
}

Ajouter et rechercher du texte caché

Parfois, nous voulons ajouter du texte caché dans un document PDF, puis rechercher ce texte caché et utiliser sa position pour le post-traitement. Pour votre commodité, Aspose.PDF pour .NET offre ces capacités. Vous pouvez ajouter du texte caché lors de la génération du document. De plus, vous pouvez trouver du texte caché en utilisant TextFragmentAbsorber. Pour ajouter du texte caché, définissez TextState.Invisible sur ’true’ pour le texte ajouté. TextFragmentAbsorber trouve tout le texte qui correspond au motif (si spécifié). C’est le comportement par défaut qui ne peut pas être changé. Afin de vérifier si le texte trouvé est réellement invisible, la propriété TextState.Invisible peut être utilisée. Le fragment de code ci-dessous montre comment utiliser cette fonctionnalité.

// Pour des exemples complets et des fichiers de données, veuillez aller sur https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// Le chemin vers le répertoire des documents.
string dataDir = RunExamples.GetDataDir_AsposePdf_Text();

//Créer un document avec du texte caché
Aspose.Pdf.Document doc = new Aspose.Pdf.Document();
Page page = doc.Pages.Add();
TextFragment frag1 = new TextFragment("Ceci est un texte commun.");
TextFragment frag2 = new TextFragment("Ceci est un texte invisible.");

//Définir la propriété du texte - invisible
frag2.TextState.Invisible = true;

page.Paragraphs.Add(frag1);
page.Paragraphs.Add(frag2);
doc.Save(dataDir + "39400_out.pdf");
doc.Dispose();

//Rechercher du texte dans le document
doc = new Aspose.Pdf.Document(dataDir + "39400_out.pdf");
TextFragmentAbsorber absorber = new TextFragmentAbsorber();
absorber.Visit(doc.Pages[1]);

foreach (TextFragment fragment in absorber.TextFragments)
{
    //Faire quelque chose avec les fragments
    Console.WriteLine("Texte '{0}' à la position {1} invisibilité : {2} ",
    fragment.Text, fragment.Position.ToString(), fragment.TextState.Invisible);
}
doc.Dispose();

Recherche de texte avec .NET Regex

Aspose.PDF pour .NET offre la possibilité de rechercher des documents en utilisant l’option Regex standard de .NET. Le TextFragmentAbsorber peut être utilisé à cet effet comme illustré dans l’exemple de code ci-dessous.

// Pour des exemples complets et des fichiers de données, veuillez aller à https://github.com/aspose-pdf/Aspose.PDF-for-.NET
string dataDir = RunExamples.GetDataDir_AsposePdf_Text();

// Créer un objet Regex pour trouver tous les mots
System.Text.RegularExpressions.Regex regex = new System.Text.RegularExpressions.Regex(@"[\S]+");

// Ouvrir le document
Aspose.Pdf.Document document = new Aspose.Pdf.Document(dataDir + "SearchTextRegex.pdf");

// Obtenir une page particulière
Page page = document.Pages[1];

// Créer un objet TextAbsorber pour trouver toutes les instances de l'expression régulière entrée
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber(regex);
textFragmentAbsorber.TextSearchOptions.IsRegularExpressionUsed = true;

// Accepter l'absorbeur pour la page
page.Accept(textFragmentAbsorber);

// Obtenir les fragments de texte extraits
TextFragmentCollection textFragmentCollection = textFragmentAbsorber.TextFragments;

// Parcourir les fragments
foreach (TextFragment textFragment in textFragmentCollection)
{
    Console.WriteLine(textFragment.Text);
}

Faire pivoter le texte à l'intérieur d'un PDF en utilisant C# Determine Line Break