从PDF中提取上标和下标文本

提取上标和下标文本

从PDF文档中提取文本是一件常见的事情。然而，在这样的文本中，当提取时，其中包含的上标和下标，这些通常用于技术文档和文章，可能不会显示。上标或下标是放置在常规文本行下方或上方的字符、数字或字母。它通常比文本的其余部分小。

下标和上标最常用于公式、数学表达式和化学化合物的规格中。 下标和上标通常用于公式、数学表达式和化学化合物的规格说明中。 在最新的版本更新中，Aspose.PDF for .NET库增加了从PDF提取上标和下标文本的支持。

使用TextFragmentAbsorber类，您可以对找到的文本做任何事情，即，您可以简单地使用整个文本。尝试以下代码片段：

以下代码片段也可以与Aspose.PDF.Drawing库一起使用。

    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);
        }

或者单独使用TextFragments并对它们进行各种操作，例如按坐标或大小排序。

以下代码片段也可以与Aspose.PDF.Drawing库一起使用。 以下代码片段也适用于 Aspose.PDF.Drawing 库。

    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);
            }
        }