C++版PDF处理控件Aspose.PDF功能演示：使用C ++以编程方式从PDF文档中提取文本

柔光的暖阳◎ 2023-10-13 18:42 66阅读 0赞

**[Aspose.PDF][]** 是一款高级PDF处理API，可以在跨平台应用程序中轻松生成，修改，转换，呈现，保护和打印文档。无需使用Adobe Acrobat。此外，API提供压缩选项，表创建和处理，图形和图像功能，广泛的超链接功能，图章和水印任务，扩展的安全控件和自定义字体处理。

[Aspose API][]支持流行文件格式处理，并允许将各类文档导出或转换为固定布局文件格式和最常用的图像/多媒体格式。

在数字信息领域，从文档（PDF，文字处理，网页等）中提取文本具有多种用例。例如，它可以用于解析文档，执行文本分析，信息检索，将文档内容存储到数据库中等等。如果缩小范围，PDF是保存和共享数字信息的最广泛使用的文档格式之一。这种受欢迎程度使PDF文档成为信息的巨大来源。因此，从PDF文档中解析或提取文本可能会涉及多种文本分析方案。

为了在C ++应用程序中自动进行PDF解析，本文演示了如何使用C ++ 从PDF文档中提取文本。它涵盖以下文本提取方案：

*  使用C ++从PDF文档中提取文本。
 *  使用C ++从PDF文档中的特定页面提取文本。
 *  使用C ++从PDF文档中逐页提取文本。

![C++版PDF处理控件Aspose.PDF功能演示：使用C ++以编程方式从PDF文档中提取文本][C_PDF_Aspose.PDF_C _PDF]

--------------------

#### 使用C ++从PDF提取文本 ####

Aspose.PDF for C ++使您可以通过几个简单的步骤来解析PDF文档。以下是从PDF文档提取文本的方法。

*  创建一个PdfExtractor类的对象。
 *  使用PdfExtractor-> BindPdf（）函数加载PDF文档。
 *  使用PdfExtractor-> ExtractText（）函数将PDF文档中的文本提取到PdfExtractor。
 *  将提取的文本保存到MemoryStream对象中。
 *  从MemoryStream中以字符串形式读取文本。

以下代码示例显示了如何使用C ++从PDF中提取文本。

>     auto extractor = MakeObject();
>     // Bind source PDF document
>     extractor->BindPdf(u"candy.pdf");
>     // Extract text from PDF to PdfExtractor
>     extractor->ExtractText();
>     auto memStream = MakeObject();
>     // Save text into memory stream
>     extractor->GetText(memStream);
>     auto unicode = System::Text::Encoding::get_Unicode();
>     String allText = unicode->GetString(memStream->ToArray());
>     // Print extracted text
>     Console::WriteLine(u"Extracted text:");
>     Console::WriteLine(allText);

#### 使用C ++从PDF中的特定页面提取文本 ####

在某些情况下，仅需要从几页PDF中提取文本。在这种情况下，可以通过设置开始和结束页码来指定PDF中的页面范围。以下是从PDF文档中特定页面提取文本的步骤。

*  创建一个PdfExtractor类的对象。
 *  使用PdfExtractor-> BindPdf（）函数加载PDF文档。
 *  分别使用PdfExtractor-> set\_StartPage（）和PdfExtractor-> set\_EndPage（）函数设置开始和结束页码。
 *  使用PdfExtractor-> ExtractText（）函数从PDF提取文本。
 *  将提取的文本保存到MemoryStream对象中。
 *  从MemoryStream中以字符串形式读取文本。

以下代码示例显示了如何从C ++中的PDF特定页面提取文本。

>     auto extractor = MakeObject();
>     // Bind source PDF document
>     extractor->BindPdf(u"candy.pdf");
>     // Set page range
>     extractor->set_StartPage(2);
>     extractor->set_EndPage(2);
>     // Extract text from PDF to PdfExtractor
>     extractor->ExtractText();
>     auto memStream = MakeObject();
>     // Save text into memory stream
>     extractor->GetText(memStream);
>     auto unicode = System::Text::Encoding::get_Unicode();
>     String allText = unicode->GetString(memStream->ToArray());
>     // Print extracted text
>     Console::WriteLine(u"Extracted text:");
>     Console::WriteLine(allText);

#### 在C ++中从PDF提取逐页文本 ####

您可以从文档的每一页分别提取文本，而不是从PDF文档提取所有文本。以下是从PDF中逐页提取文本的步骤。

*  创建一个PdfExtractor类的对象。
 *  使用PdfExtractor-> BindPdf（）函数加载PDF文档。
 *  调用PdfExtractor-> ExtractText（）函数将文本从PDF文档检索到PdfExtractor。
 *  使用PdfExtractor-> HasNextPageText（）函数循环浏览每个页面。
 *  使用PdfExtractor-> GetNextPageText（）函数将文本提取到内存流中。
 *  从内存流中读取文本。

下面的代码示例演示如何在C ++中从PDF逐页提取文本。

>     auto extractor = MakeObject();
>     // Bind source PDF document
>     extractor->BindPdf(u"candy.pdf");
>     // Extract text from PDF to PdfExtractor
>     extractor->ExtractText();
>     auto unicode = System::Text::Encoding::get_Unicode();
>     int pageNumber = 1; 
>     
>     while (extractor->HasNextPageText())
>     {
>     	auto memStream = MakeObject();
>     	extractor->GetNextPageText(memStream);
>     	String text;
>     	// Specify Unicode encoding type in StreamReader constructor
>     	auto streamReader = MakeObject(memStream, unicode);
>     	streamReader->get_BaseStream()->Seek(0, SeekOrigin::Begin);
>     	text = streamReader->ReadToEnd();
>     	streamReader->Dispose();
>     	// Print extracted text
>     	std::cout << "Page: " << pageNumber << "\n"; Console::Write(text); std::cout << "\n------------------------\n"; pageNumber++; }

[Aspose.PDF]: https://www.evget.com/product/4118
[Aspose API]: https://www.evget.com/supplier/150
[C_PDF_Aspose.PDF_C _PDF]: https://img-blog.csdnimg.cn/img_convert/ae1022ce239796b706a9182843b6b589.jpeg