Skip to content

数据提取指南

ComPDFKit Conversion SDK 的数据提取功能支持识别、分析、提取 PDF 文档中的文本、图片、表格等数据。

PDF 文本提取

概述

从 PDF 文档中提取文本数据。

注意事项

  • 当未开启 OCR 功能时可能会导致图片中的表格内的文本未被提取出来。
  • 当我们从 PDF 文档中读取文本内容时,我们经常会遇到部分数据。例如,假设我们正在尝试从 PDF 文档中提取一个句子,上面写着 “这是一个示例句子”。我们最终可能会得到两个文本内容:“这” 和 “是一个示例句子”。这是可能的,因为在 PDF 文档中,文本对象并不总是整齐地组织成单词、句子或段落。未开启 OCR 识别时,CPDFConverterJsonText返回与 PDF 页面中的文本内容完全相同的对象。

示例

以下是完整的示例代码,演示了基本的文本提取功能。

c#
string inputFilePath = "***";
string outputFolderPath = "***";
string outputFileName = "***";

CPDFConverterJsonText converter = CPDFConvertFactroy.CreateConverter(CPDFConvertType.CPDFConvertTypeJsonText, inputFilePath) as CPDFConverterJsonText;

CPDFConvertJsonOptions jsonOptions = new CPDFConvertJsonOptions();
jsonOptions.IsAllowOCR = false;

ConvertError error = ConvertError.ERR_UNKNOWN;
jsonTextConverter.Convert(outputFolderPath, ref outputFileName, jsonOptions, ref error);