Pesquisar e Obter Texto das Páginas de PDF

O seguinte trecho de código também funciona com a biblioteca Aspose.PDF.Drawing.

Pesquisar e Obter Texto de Todas as Páginas de um Documento PDF

A classe TextFragmentAbsorber permite que você encontre texto, correspondendo a uma frase específica, de todas as páginas de um documento PDF. Para pesquisar texto em todo o documento, você precisa chamar o método Accept da coleção de Páginas. O método Accept recebe o objeto TextFragmentAbsorber como parâmetro, que retorna uma coleção de objetos TextFragment. Você pode percorrer todos os fragmentos e obter suas propriedades como Texto, Posição (XIndent, YIndent), Nome da Fonte, Tamanho da Fonte, Acessível, Embutido, Subconjunto, Cor de Fundo, etc.

O seguinte trecho de código mostra como pesquisar texto em todas as páginas.

// Para exemplos completos e arquivos de dados, por favor vá para https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// O caminho para o diretório de documentos.
string dataDir = RunExamples.GetDataDir_AsposePdf_Text();

// Abrir documento
Document pdfDocument = new Document(dataDir + "SearchAndGetTextFromAll.pdf");

// Criar objeto TextAbsorber para encontrar todas as instâncias da frase de busca inserida
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("text");

// Aceitar o absorvedor para todas as páginas
pdfDocument.Pages.Accept(textFragmentAbsorber);

// Obter os fragmentos de texto extraídos
TextFragmentCollection textFragmentCollection = textFragmentAbsorber.TextFragments;

// Percorrer os fragmentos
foreach (TextFragment textFragment in textFragmentCollection)
{

    Console.WriteLine("Texto : {0} ", textFragment.Text);
    Console.WriteLine("Posição : {0} ", textFragment.Position);
    Console.WriteLine("XIndent : {0} ", textFragment.Position.XIndent);
    Console.WriteLine("YIndent : {0} ", textFragment.Position.YIndent);
    Console.WriteLine("Fonte - Nome : {0}", textFragment.TextState.Font.FontName);
    Console.WriteLine("Fonte - Acessível : {0} ", textFragment.TextState.Font.IsAccessible);
    Console.WriteLine("Fonte - Embutido : {0} ", textFragment.TextState.Font.IsEmbedded);
    Console.WriteLine("Fonte - Subconjunto : {0} ", textFragment.TextState.Font.IsSubset);
    Console.WriteLine("Tamanho da Fonte : {0} ", textFragment.TextState.FontSize);
    Console.WriteLine("Cor de Fundo : {0} ", textFragment.TextState.ForegroundColor);
}

Caso precise pesquisar texto dentro de uma página específica de qualquer PDF, especifique o número da página da coleção de páginas da instância do Documento e chame o método Accept para essa página (conforme mostrado na linha de código abaixo).

// Para exemplos completos e arquivos de dados, por favor, acesse https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// Aceitar o absorvedor para uma página específica
pdfDocument.Pages[2].Accept(textFragmentAbsorber);

Pesquisar e Obter Segmentos de Texto de Todas as Páginas do Documento PDF

Para pesquisar segmentos de texto em todas as páginas, você primeiro precisa obter os objetos TextFragment do documento. Para buscar segmentos de texto de todas as páginas, você primeiro precisa obter os objetos TextFragment do documento.

// Para exemplos completos e arquivos de dados, por favor acesse https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// O caminho para o diretório dos documentos.
string dataDir = RunExamples.GetDataDir_AsposePdf_Text();

// Abrir documento
Document pdfDocument = new Document(dataDir + "SearchAndGetTextPage.pdf");

// Criar objeto TextAbsorber para encontrar todas as instâncias da frase de busca inserida
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("Figure");
// Aceitar o absorvedor para todas as páginas
pdfDocument.Pages.Accept(textFragmentAbsorber);
// Obter os fragmentos de texto extraídos
TextFragmentCollection textFragmentCollection = textFragmentAbsorber.TextFragments;
// Percorrer os fragmentos
foreach (TextFragment textFragment in textFragmentCollection)
{
    foreach (TextSegment textSegment in textFragment.Segments)
    {
        Console.WriteLine("Texto : {0} ", textSegment.Text);
        Console.WriteLine("Posição : {0} ", textSegment.Position);
        Console.WriteLine("Indentação X : {0} ", textSegment.Position.XIndent);
        Console.WriteLine("Indentação Y : {0} ", textSegment.Position.YIndent);
        Console.WriteLine("Fonte - Nome : {0}", textSegment.TextState.Font.FontName);
        Console.WriteLine("Fonte - É Acessível : {0} ", textSegment.TextState.Font.IsAccessible);
        Console.WriteLine("Fonte - É Embutida : {0} ", textSegment.TextState.Font.IsEmbedded);
        Console.WriteLine("Fonte - É Subset : {0} ", textSegment.TextState.Font.IsSubset);
        Console.WriteLine("Tamanho da Fonte : {0} ", textSegment.TextState.FontSize);
        Console.WriteLine("Cor do Primeiro Plano : {0} ", textSegment.TextState.ForegroundColor);
    }
}

Para pesquisar e obter TextSegments de uma página específica do PDF, você precisa especificar o índice da página ao chamar o método Accept(..). Por favor, veja as seguintes linhas de código.

// Para exemplos completos e arquivos de dados, por favor visite https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// Aceitar o absorvedor para todas as páginas
pdfDocument.Pages[2].Accept(textFragmentAbsorber);

Pesquisar e Obter Texto de todas as páginas usando Expressão Regular

TextFragmentAbsorber ajuda você a pesquisar e recuperar texto, de todas as páginas, baseado em uma expressão regular. TextFragmentAbsorber ajuda você a pesquisar e recuperar texto, de todas as páginas, com base em uma expressão regular.

// Para exemplos completos e arquivos de dados, por favor acesse https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// O caminho para o diretório de documentos.
string dataDir = RunExamples.GetDataDir_AsposePdf_Text();

// Abrir documento
Document pdfDocument = new Document(dataDir + "SearchRegularExpressionAll.pdf");

// Criar objeto TextAbsorber para encontrar todas as frases que correspondem à expressão regular
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("\\d{4}-\\d{4}"); // Como 1999-2000

// Definir opção de busca de texto para especificar o uso de expressão regular
TextSearchOptions textSearchOptions = new TextSearchOptions(true);

textFragmentAbsorber.TextSearchOptions = textSearchOptions;

// Aceitar o absorvedor para todas as páginas
pdfDocument.Pages.Accept(textFragmentAbsorber);

// Obter os fragmentos de texto extraídos
TextFragmentCollection textFragmentCollection = textFragmentAbsorber.TextFragments;

// Percorrer os fragmentos
foreach (TextFragment textFragment in textFragmentCollection)
{
    Console.WriteLine("Texto : {0} ", textFragment.Text);
    Console.WriteLine("Posição : {0} ", textFragment.Position);
    Console.WriteLine("Indentação X : {0} ", textFragment.Position.XIndent);
    Console.WriteLine("Indentação Y : {0} ", textFragment.Position.YIndent);
    Console.WriteLine("Fonte - Nome : {0}", textFragment.TextState.Font.FontName);
    Console.WriteLine("Fonte - É Acessível : {0} ", textFragment.TextState.Font.IsAccessible);
    Console.WriteLine("Fonte - É Embutida : {0} ", textFragment.TextState.Font.IsEmbedded);
    Console.WriteLine("Fonte - É Subset : {0} ", textFragment.TextState.Font.IsSubset);
    Console.WriteLine("Tamanho da Fonte : {0} ", textFragment.TextState.FontSize);
    Console.WriteLine("Cor do Texto : {0} ", textFragment.TextState.ForegroundColor);
}

// Para exemplos completos e arquivos de dados, acesse https://github.com/aspose-pdf/Aspose.PDF-for-.NET
TextFragmentAbsorber textFragmentAbsorber;
// Para buscar a correspondência exata de uma palavra, você pode considerar o uso de expressão regular.
textFragmentAbsorber = new TextFragmentAbsorber(@"\bPalavra\b", new TextSearchOptions(true));

// Para buscar uma string em maiúsculas ou minúsculas, você pode considerar o uso de expressão regular.
textFragmentAbsorber = new TextFragmentAbsorber("(?i)Linha", new TextSearchOptions(true));

// Para buscar todas as strings (analisar todas as strings) dentro do documento PDF, tente usar a seguinte expressão regular.
textFragmentAbsorber = new TextFragmentAbsorber(@"[\S]+");

// Encontre a correspondência da string de busca e obtenha qualquer coisa após a string até a quebra de linha.
textFragmentAbsorber = new TextFragmentAbsorber(@"(?i)o ((.)*)");

// Use a seguinte expressão regular para encontrar texto seguindo a correspondência regex.
textFragmentAbsorber = new TextFragmentAbsorber(@"(?<=palavra).*");

// Para buscar Hyperlinks/URLs dentro do documento PDF, tente usar a seguinte expressão regular.
textFragmentAbsorber = new TextFragmentAbsorber(@"(http|ftp|https):\/\/([\w\-_]+(?:(?:\.[\w\-_]+)+))([\w\-\.,@?^=%&amp;:/~\+#]*[\w\-\@?^=%&amp;/~\+#])?");

Pesquisar Texto Baseado em Regex e Adicionar Hiperlink

Se deseja adicionar um hiperlink sobre uma frase de texto baseada em expressão regular, primeiro encontre todas as frases que correspondem a essa expressão regular específica usando TextFragmentAbsorber e adicione hiperlink sobre essas frases.

Para encontrar uma frase e adicionar um hiperlink sobre ela:

Passe a expressão regular como parâmetro para o construtor de TextFragmentAbsorber.
Crie um objeto TextSearchOptions que especifica se a expressão regular é usada ou não.
Obtenha as frases correspondentes em TextFragments.
Percorra as correspondências para obter suas dimensões retangulares, altere a cor de primeiro plano para azul (opcional - para fazer parecer um hiperlink e crie um link usando o método CreateWebLink(..) da classe PdfContentEditor.
Salve o PDF atualizado usando o método Save do objeto Document. O seguinte trecho de código mostra como pesquisar texto dentro de um arquivo PDF usando uma expressão regular e adicionar hiperlinks sobre as correspondências.

// Para exemplos completos e arquivos de dados, por favor vá para https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// O caminho para o diretório de documentos.
string dataDir = RunExamples.GetDataDir_AsposePdf_Text();
// Criar objeto absorvedor para encontrar todas as instâncias da frase de busca de entrada
TextFragmentAbsorber absorber = new TextFragmentAbsorber("\\d{4}-\\d{4}");
// Habilitar a busca por expressão regular
absorber.TextSearchOptions = new TextSearchOptions(true);
// Abrir documento
PdfContentEditor editor = new PdfContentEditor();
// Vincular arquivo PDF fonte
editor.BindPdf(dataDir + "SearchRegularExpressionPage.pdf");
// Aceitar o absorvedor para a página
editor.Document.Pages[1].Accept(absorber);

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

// Percorrer os fragmentos
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();

Buscar e Desenhar Retângulo em Torno de Cada Fragmento de Texto

Aspose.PDF for .NET suporta a funcionalidade de buscar e obter as coordenadas de cada caractere ou fragmentos de texto. Portanto, para ter certeza sobre as coordenadas retornadas para cada caractere, podemos considerar destacar (adicionando retângulo) em torno de cada caractere.

No caso de um parágrafo de texto, você pode considerar usar uma expressão regular para determinar a quebra do parágrafo e desenhar um retângulo ao redor dele. Por favor, veja o seguinte trecho de código. O seguinte trecho de código obtém as coordenadas de cada caractere e cria um retângulo em torno de cada caractere.

// Para exemplos completos e arquivos de dados, por favor vá para https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// O caminho para o diretório de documentos.
string dataDir = RunExamples.GetDataDir_AsposePdf_Text();

// Abrir documento
Document document = new Document(dataDir + "SearchAndGetTextFromAll.pdf");

// Criar objeto TextAbsorber para encontrar todas as frases que correspondem à expressão regular

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);

Destaque cada caractere em um documento PDF

Você pode tentar procurar texto em um documento usando o Aspose.PDF e obter os resultados online neste link

Aspose.PDF para .NET suporta a funcionalidade de buscar e obter as coordenadas de cada caractere ou fragmentos de texto. Portanto, para ter certeza das coordenadas retornadas para cada caractere, podemos considerar destacá-los (adicionando um retângulo) ao redor de cada caractere. O seguinte trecho de código obtém coordenadas de cada caractere e cria um retângulo ao redor de cada um.

// Para exemplos completos e arquivos de dados, por favor, vá para https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// O caminho para o diretório de documentos.
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];
// Criar objeto TextAbsorber para encontrar todas as palavras
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber(@"[\S]+");
textFragmentAbsorber.TextSearchOptions.IsRegularExpressionUsed = true;
page.Accept(textFragmentAbsorber);
// Obter os fragmentos de texto extraídos
TextFragmentCollection textFragmentCollection = textFragmentAbsorber.TextFragments;
// Percorrer os fragmentos
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);
}

Adicionar e Pesquisar Texto Oculto

Às vezes, queremos adicionar texto oculto em um documento PDF e, em seguida, pesquisar o texto oculto e usar sua posição para pós-processamento. Para sua conveniência, Aspose.PDF para .NET oferece essas capacidades. Você pode adicionar texto oculto durante a geração do documento. Além disso, você pode encontrar texto oculto usando TextFragmentAbsorber. Para adicionar texto oculto, defina TextState.Invisible como ‘true’ para o texto adicionado. TextFragmentAbsorber encontra todo o texto que corresponde ao padrão (se especificado). Esse é o comportamento padrão que não pode ser alterado. Para verificar se o texto encontrado é realmente invisível, a propriedade TextState.Invisible pode ser usada. O trecho de código abaixo mostra como usar esse recurso.

// Para exemplos completos e arquivos de dados, por favor vá para https://github.com/aspose-pdf/Aspose.PDF-for-.NET
// O caminho para o diretório de documentos.
string dataDir = RunExamples.GetDataDir_AsposePdf_Text();

//Criar documento com texto oculto
Aspose.Pdf.Document doc = new Aspose.Pdf.Document();
Page page = doc.Pages.Add();
TextFragment frag1 = new TextFragment("Este é um texto comum.");
TextFragment frag2 = new TextFragment("Este é um texto invisível.");

//Definir a propriedade do texto - invisível
frag2.TextState.Invisible = true;

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

//Pesquisar texto no documento
doc = new Aspose.Pdf.Document(dataDir + "39400_out.pdf");
TextFragmentAbsorber absorber = new TextFragmentAbsorber();
absorber.Visit(doc.Pages[1]);

foreach (TextFragment fragment in absorber.TextFragments)
{
    //Fazer algo com os fragmentos
    Console.WriteLine("Texto '{0}' na pos {1} invisibilidade: {2} ",
    fragment.Text, fragment.Position.ToString(), fragment.TextState.Invisible);
}
doc.Dispose();

Pesquisando Texto Com .NET Regex

Aspose.PDF para .NET oferece a capacidade de pesquisar documentos usando a opção Regex padrão do .NET. O TextFragmentAbsorber pode ser usado para esse propósito conforme mostrado no exemplo de código abaixo.

// Para exemplos completos e arquivos de dados, por favor, acesse https://github.com/aspose-pdf/Aspose.PDF-for-.NET
string dataDir = RunExamples.GetDataDir_AsposePdf_Text();

// Criar objeto Regex para encontrar todas as palavras
System.Text.RegularExpressions.Regex regex = new System.Text.RegularExpressions.Regex(@"[\S]+");

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

// Obter uma página específica
Page page = document.Pages[1];

// Criar objeto TextAbsorber para encontrar todas as instâncias da regex de entrada
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber(regex);
textFragmentAbsorber.TextSearchOptions.IsRegularExpressionUsed = true;

// Aceitar o absorvedor para a página
page.Accept(textFragmentAbsorber);

// Obter os fragmentos de texto extraídos
TextFragmentCollection textFragmentCollection = textFragmentAbsorber.TextFragments;

// Percorrer os fragmentos
foreach (TextFragment textFragment in textFragmentCollection)
{
    Console.WriteLine(textFragment.Text);
}

Rotacionar Texto Dentro de PDF usando C# Determine Line Break