Java를 사용한 기본 텍스트 추출

기본 텍스트 추출은 Java에서 PDF 콘텐츠를 읽기 위한 시작점입니다. Aspose.PDF는 두 가지 일반적인 접근 방식을 제공합니다.

  • 문서나 페이지에서 일반 텍스트 결과가 필요한 경우 TextAbsorber를 사용하세요.
  • 페이지, 섹션, 단락, 줄 및 조각 그룹화를 유지해야 하는 경우 ParagraphAbsorber를 사용하세요.

PDF 페이지는 워드 프로세서 문서처럼 텍스트를 저장하지 않으므로 추출된 순서는 페이지 콘텐츠 스트림 및 레이아웃에 따라 달라집니다. 지역별 추출, 형상 세부정보, 다중 열 레이아웃, 주석, 강조 표시된 텍스트 또는 위 첨자 및 아래 첨자 감지의 경우 이 섹션의 관련 추출 기사를 사용하세요.

모든 페이지에서 텍스트 추출

전체 문서에서 일반 텍스트 스트림을 수집하여 파일에 쓰려면 TextAbsorber를 사용하세요. 읽을 수 있는 텍스트 콘텐츠만 필요하고 단락 경계나 좌표는 필요하지 않은 경우 가장 간단한 옵션입니다.

  1. Document 인스턴스에서 소스 PDF를 여세요.
  2. TextAbsorber를 만들어 문서 전체에 걸쳐 텍스트를 축적하세요.
  3. document.getPages().accept(textAbsorber)를 호출하세요. 흡수체가 모든 Page를 방문하게 됩니다.
  4. 추출된 텍스트 버퍼를 출력 파일에 쓰세요.
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());
    }
}

특정 페이지에서 텍스트 추출

필요한 페이지에만 흡수체를 적용하세요. Document 페이지 컬렉션의 페이지 번호는 1부터 시작하므로 get_Item(1)은 첫 번째 페이지를 읽습니다.

  1. Document 인스턴스에서 소스 PDF를 여세요.
  2. 단일 페이지 추출을 위해 TextAbsorber를 만드세요.
  3. 페이지 번호로 선택한 대상 Page에 accept(textAbsorber)를 호출하세요.
  4. 추출된 텍스트 버퍼를 출력 파일에 쓰세요.
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());
    }
}

단락 구조별로 텍스트 추출

단일 일반 텍스트 스트림 대신 구조적 그룹화가 필요한 경우 ParagraphAbsorber를 사용하세요. 섹션, 단락, 줄 및 TextFragment 개체가 포함된 페이지 마크업을 반환합니다. 이는 출력에서 ​​텍스트의 논리적 블록을 유지해야 할 때 유용합니다.

  1. Document 인스턴스에서 소스 PDF를 여세요.
  2. ParagraphAbsorber를 생성하고 전체 문서를 방문하여 페이지 마크업 결과를 구축하세요.
  3. 흡수체에 의해 노출된 페이지 마크업, 섹션, 단락, 줄 및 TextFragment 개체를 반복하세요.
  4. 구조적 그룹화가 유지되도록 명시적인 페이지, 섹션 및 단락 번호 매기기를 사용하여 출력 텍스트를 작성하세요.
  5. 추출된 단락 텍스트를 출력 파일에 쓰세요.
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());
    }
}
Java를 사용한 지역 기반 추출