C#使用Spire.PDF从PDF中提取文本的实战指南

Install-Package Spire.PDF

using Spire.Pdf;
using System.Text; // 引入 StringBuilder 命名空间

class Program
{
    static void Main(string[] args)
    {
        // 1. 加载 PDF 文档
        PdfDocument doc = new PdfDocument();
        doc.Load("Sample.pdf"); // 替换为你的 PDF 文件路径

        StringBuilder fullText = new StringBuilder();

        // 2. 遍历文档中的每一页
        foreach (PdfPageBase page in doc.Pages)
        {
            // 3. 提取当前页的所有文本
            string textOnPage = page.ExtractText();
            fullText.AppendLine(textOnPage);

            // 可选：打印每页文本
            // Console.WriteLine($"--- Page {page.PageIndex + 1} ---");
            // Console.WriteLine(textOnPage);
        }

        // 4. 将所有文本保存到文件或进行其他处理
        System.IO.File.WriteAllText("ExtractedFullText.txt", fullText.ToString());
        Console.WriteLine("文本已成功提取并保存到 ExtractedFullText.txt");

        // 5. 释放资源
        doc.Close();
    }
}

using Spire.Pdf;
using Spire.Pdf.Graphics; // 引入 RectangleF 命名空间
using Spire.Pdf.Texts; // 引入 PdfTextExtractor 命名空间
using System.Drawing; // 引入 Color 命名空间

class Program
{
    static void Main(string[] args)
    {
        // 1. 加载 PDF 文档
        PdfDocument doc = new PdfDocument();
        doc.Load("Sample.pdf"); 

        // 2. 获取第一页（或其他指定页）
        PdfPageBase page = doc.Pages[0];

        // 3. 定义要提取文本的矩形区域
        // RectangleF(x, y, width, height)
        // x, y 是矩形左上角的坐标，width, height 是矩形的宽度和高度。
        // PDF 坐标系的原点通常在左下角或左上角，具体取决于库的实现。
        // Spire.PDF 默认是左上角为 (0,0)，Y轴向下。
        RectangleF extractArea = new RectangleF(80, 180, 500, 200); // 示例坐标和尺寸

        // 4. 创建文本提取选项
        PdfTextExtractOptions options = new PdfTextExtractOptions();
        options.ExtractArea = extractArea;

        // 5. 使用 PdfTextExtractor 提取指定区域文本
        PdfTextExtractor extractor = new PdfTextExtractor(page);
        string extractedText = extractor.ExtractText(options);

        Console.WriteLine($"从指定区域提取的文本：\n{extractedText}");

        // 6. 释放资源
        doc.Close();
    }
}

using Spire.Pdf;
using Spire.Pdf.Annotations; // 引入 PdfTextMarkupAnnotationWidget 命名空间
using Spire.Pdf.Graphics;
using Spire.Pdf.Texts;
using System.Drawing;
using System.Text;

class Program
{
    static void Main(string[] args)
    {
        PdfDocument doc = new PdfDocument();
        doc.Load("SampleWithHighlight.pdf"); // 替换为包含高亮文本的 PDF 文件

        PdfPageBase page = doc.Pages[0]; // 获取第一页
        StringBuilder stringBuilder = new StringBuilder();
        PdfTextExtractor pdfTextExtractor = new PdfTextExtractor(page);

        // 遍历页面上的所有批注
        for (int i = 0; i < page.Annotations.Count; i++)
        {
            if (page.Annotations[i] is PdfTextMarkupAnnotationWidget textMarkupAnnotation)
            {
                // 如果是文本标记批注（如高亮、删除线等）
                // 获取高亮区域的边界
                PdfTextExtractOptions pdfTextExtractOptions = new PdfTextExtractOptions();
                pdfTextExtractOptions.ExtractArea = textMarkupAnnotation.Bounds;
                
                // 提取高亮区域的文本
                string highlightedText = pdfTextExtractor.ExtractText(pdfTextExtractOptions);
                stringBuilder.AppendLine(highlightedText);

                // 可选：获取高亮颜色
                Color color = textMarkupAnnotation.TextMarkupColor;
                Console.WriteLine($"检测到高亮文本: '{highlightedText}' (颜色: {color})");
            }
        }
        
        System.IO.File.WriteAllText("ExtractedHighlightedText.txt", stringBuilder.ToString());
        Console.WriteLine("高亮文本已成功提取并保存到 ExtractedHighlightedText.txt");

        doc.Close();
    }
}

using Spire.Pdf;
using Spire.Pdf.Texts;
using System.Drawing; // 用于 RectangleF

class Program
{
    static void Main(string[] args)
    {
        PdfDocument doc = new PdfDocument();
        doc.Load("Sample.pdf");

        PdfPageBase page = doc.Pages[0];
        PdfTextExtractor extractor = new PdfTextExtractor(page);

        // 获取页面中的所有文本行
        TextLine[] textLines = extractor.ExtractTextLines();

        foreach (TextLine line in textLines)
        {
            Console.WriteLine($"行文本: {line.Text} (位置: {line.Bounds})");
            foreach (TextWord word in line.Words)
            {
                Console.WriteLine($"  单词: {word.Text} (位置: {word.Bounds}, 字体: {word.FontName}, 大小: {word.FontSize})");
            }
        }

        doc.Close();
    }
}