PDFからスーパースクリプトとサブスクリプトのテキストを抽出

スーパースクリプトとサブスクリプトのテキストを抽出

PDF文書からテキストを抽出することは一般的なことです。しかし、そのようなテキストを抽出する際に、技術文書や記事に特有なスーパースクリプトとサブスクリプトが含まれていても、表示されないことがあります。サブスクリプトまたはスーパースクリプトは、通常のテキスト行の下または上に配置される文字、数字、または文字で、通常は残りのテキストよりも小さいです。

サブスクリプトとスーパースクリプトは、公式、数学的表現、化学化合物の仕様で最もよく使用されます。 下付き文字と上付き文字は、主に公式、数学的表現、化学化合物の仕様で使用されます。 最近のリリースの1つで、Aspose.PDF for .NET ライブラリはPDFからの上付き文字と下付き文字のテキストを抽出するサポートを追加しました。

TextFragmentAbsorber クラスを使用して、見つかったテキストで何でもできるようになります。つまり、全てのテキストを単純に使用できます。次のコードスニペットを試してください：

以下のコードスニペットも Aspose.PDF.Drawing ライブラリで動作します。

    Document doc = new Document(GetInputPath("test1.pdf"));
    TextFragmentAbsorber absorber = new TextFragmentAbsorber();
    doc.Pages[1].Accept(absorber);
        using (StreamWriter writer = new StreamWriter(GetOutputPath("output.txt")))
        {
            writer.WriteLine(absorber.Text);
        }

または、TextFragments を個別に使用し、座標やサイズによってソートするなど、さまざまな操作を行います。

以下のコードスニペットも Aspose.PDF.Drawing ライブラリで動作します。 以下のコードスニペットは Aspose.PDF.Drawing ライブラリでも動作します。

    Document doc = new Document(GetInputPath("test1.pdf"));
    TextFragmentAbsorber absorber = new TextFragmentAbsorber();
    doc.Pages[1].Accept(absorber);
        using (StreamWriter writer = new StreamWriter(GetOutputPath("output.txt")))
        {
            foreach (var textFragment in absorber.TextFragments)
            {
                writer.Write(textFragment.Text);
            }
        }