使用 Java 的基本文本提取

基本文本提取是 Java 中读取 PDF 内容的起点。Aspose.PDF 提供了两种常见方法：

  • 当需要从文档或页面获取纯文本结果时，使用 TextAbsorber。
  • 当需要保留页面、章节、段落、行以及片段的分组时，使用 ParagraphAbsorber。

PDF 页面不像文字处理文档那样存储文本，因此提取的顺序取决于页面内容流和布局。若需进行区域特定的提取、几何细节、多列布局、注释、高亮文本或上标和下标检测，请使用本节中的相关提取文章。

从所有页面提取文本

使用 TextAbsorber 从整个文档收集平面文本流并将其写入文件。当您只需要可读的文本内容且不需要段落边界或坐标时，这是最简单的选项。

  1. 使用 Document 实例打开源 PDF。
  2. 创建一个 TextAbsorber 以在整个文档中累积文本。
  3. 调用 document.getPages().accept(textAbsorber) 所以每个 Page 被吸收器访问。
  4. 将提取的文本缓冲区写入输出文件。
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());
    }
}

从特定页面提取文本

仅将吸收器应用于您需要的页面。页面编号在 Document 页面集合是从 1 开始计数的，所以 get_Item(1) 读取第一页。

  1. 使用 Document 实例打开源 PDF。
  2. 创建一个 TextAbsorber 用于单页提取。
  3. 调用 accept(textAbsorber) 在目标上 Page 按页码选择。
  4. 将提取的文本缓冲区写入输出文件。
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());
    }
}

按段落结构提取文本

当需要结构分组而不是单个纯文本流时，使用 ParagraphAbsorber。它返回包含章节、段落、行和 TextFragment 对象的页面标记，这在输出必须保留逻辑文本块时很有用。

  1. 使用 Document 实例打开源 PDF。
  2. 创建一个 ParagraphAbsorber 并访问整个文档以构建页面标记结果。
  3. 遍历页面标记、章节、段落、行和 TextFragment 吸收器公开的对象。
  4. 构建输出文本时使用明确的页面、章节和段落编号，以保留结构分组。
  5. 将提取的段落文本写入输出文件。
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());
    }
}
使用 Java 的基于区域的提取