Java を使用した基本テキスト抽出

基本テキスト抽出は、Java で PDF コンテンツを読み取る出発点です。Aspose.PDF は 2 つの一般的なアプローチを提供します。

  • ドキュメントやページからプレーンテキストの結果が必要な場合は、TextAbsorber を使用してください。
  • ページ、セクション、段落、行、およびフラグメントのグループ化を保持する必要がある場合は、ParagraphAbsorber を使用してください。

PDF ページはワードプロセッシング文書のようにテキストを保存しないため、抽出された順序はページのコンテンツストリームとレイアウトに依存します。領域別抽出、ジオメトリの詳細、マルチカラムレイアウト、注釈、ハイライトテキスト、または上付き・下付き文字の検出については、このセクションの関連抽出記事を参照してください。

すべてのページからテキストの抽出

TextAbsorber を使用して、ドキュメント全体からフラットなテキストストリームを収集し、ファイルに書き込みます。これは、読み取り可能なテキストコンテンツのみが必要で、段落の境界や座標が不要な場合に最も簡単なオプションです。

  1. ソース PDF を Document インスタンスで開いてください。
  2. TextAbsorber を作成してください。
  3. document.getPages().accept(textAbsorber) を呼び出して、すべての Page にアブゾーバーを適用してください。
  4. 抽出されたテキストバッファを出力ファイルに書き込んでください。
public static void extractTextFromAllPages(Path inputFile, Path outputFile) throws Exception {
    try (Document document = new Document(inputFile.toString())) {
        TextAbsorber textAbsorber = new TextAbsorber();
        document.getPages().accept(textAbsorber);
        Files.writeString(outputFile, textAbsorber.getText());
    }
}

特定のページからテキストの抽出

必要なページにのみアブゾーバーを適用します。Document のページコレクションのページ番号は 1 ベースであるため、get_Item(1) で最初のページを読み取ります。

  1. ソース PDF を Document インスタンスで開いてください。
  2. TextAbsorber を作成してください。
  3. ページ番号で選択されたターゲットの Page に対して accept(textAbsorber) を呼び出してください。
  4. 抽出されたテキストバッファを出力ファイルに書き込んでください。
public static void extractTextFromPage(Path inputFile, Path outputFile, int pageNumber) throws Exception {
    try (Document document = new Document(inputFile.toString())) {
        TextAbsorber textAbsorber = new TextAbsorber();
        document.getPages().get_Item(pageNumber).accept(textAbsorber);
        Files.writeString(outputFile, textAbsorber.getText());
    }
}

段落構造でテキストの抽出

単一のプレーンテキストストリームではなく、構造的なグルーピングが必要な場合は、ParagraphAbsorber を使用してください。このクラスは、セクション、段落、行、およびページのマークアップを含む TextFragment オブジェクトを返します。出力がテキストの論理ブロックを保持する必要がある場合に便利です。

  1. ソース PDF を Document インスタンスで開いてください。
  2. ParagraphAbsorber を作成し、ドキュメント全体を走査してページマークアップ結果を構築してください。
  3. アブソーバーが公開するページマークアップ、セクション、段落、行、および TextFragment オブジェクトを順に処理してください。
  4. 構造的なグルーピングを保持するため、ページ、セクション、段落の番号付けを明示的に行いながら出力テキストを構築してください。
  5. 抽出した段落テキストを出力ファイルに書き込んでください。
public static void extractParagraphsFromPdf(Path inputFile, Path outputFile) throws Exception {
    try (Document document = new Document(inputFile.toString())) {
        ParagraphAbsorber absorber = new ParagraphAbsorber();
        absorber.visit(document);

        StringBuilder text = new StringBuilder();
        for (PageMarkup pageMarkup : absorber.getPageMarkups()) {
            int sectionIndex = 1;
            for (MarkupSection section : pageMarkup.getSections()) {
                int paragraphIndex = 1;
                for (MarkupParagraph paragraph : section.getParagraphs()) {
                    StringBuilder paragraphText = new StringBuilder();
                    for (List<TextFragment> line : paragraph.getLines()) {
                        for (TextFragment fragment : line) {
                            paragraphText.append(fragment.getText());
                        }
                        paragraphText.append("\r\n");
                    }
                    text.append("Page ").append(pageMarkup.getNumber())
                            .append(", Section ").append(sectionIndex)
                            .append(", Paragraph ").append(paragraphIndex)
                            .append(":\n");
                    text.append(paragraphText).append("\n");
                    paragraphIndex++;
                }
                sectionIndex++;
            }
        }

        Files.writeString(outputFile, text.toString());
    }
}
Java を使用した領域ベース抽出