PDF 파일에서 원시 텍스트 추출

PDF 문서의 모든 페이지에서 텍스트 추출

PDF 문서에서 텍스트를 추출하는 것은 일반적인 요구 사항입니다. 이 예제에서는 Aspose.PDF for Java가 PDF 문서의 모든 페이지에서 텍스트를 추출하는 방법을 보여줍니다. 모든 PDF 페이지에서 텍스트를 추출하려면:

1. TextAbsorber 클래스의 객체를 생성합니다.

2. Document 클래스와 Pages 컬렉션의 Accept 메서드를 호출하여 PDF를 엽니다.

3. TextAbsorber 클래스는 문서에서 텍스트를 흡수하고 Text 속성에서 반환합니다.

다음 코드 스니펫은 PDF 문서의 모든 페이지에서 텍스트를 추출하는 방법을 보여줍니다.

public static void ExtractFromAllPages() {
        // 문서 디렉토리 경로입니다.

        String filePath = _dataDir + "ExtractTextAll.pdf";

        // 문서 열기
        Document pdfDocument = new com.aspose.pdf.Document(filePath);

        // 텍스트 추출을 위한 TextAbsorber 객체 생성
        TextAbsorber textAbsorber = new com.aspose.pdf.TextAbsorber();

        // 모든 페이지에 대해 흡수기 수락
        pdfDocument.getPages().accept(textAbsorber);

        // 추출된 텍스트 가져오기
        String extractedText = textAbsorber.getText();
        try {
            java.io.FileWriter writer = new java.io.FileWriter(_dataDir + "extracted-text.txt", true);
            // 파일에 한 줄의 텍스트 쓰기
            writer.write(extractedText);
            // 스트림 닫기
            writer.close();
        } catch (java.io.IOException e) {
            e.printStackTrace();
        }

    }

PDF 문서에서 강조된 텍스트 추출하기

PDF 문서에서 텍스트를 추출하는 다양한 시나리오에서 PDF 문서에서 강조된 텍스트만 추출해야 할 요구사항이 있을 수 있습니다. 이 기능을 구현하기 위해 API에 TextMarkupAnnotation.GetMarkedText() 및 TextMarkupAnnotation.GetMarkedTextFragments() 메서드를 추가했습니다. TextMarkupAnnotation을 필터링하고 언급된 메서드를 사용하여 PDF 문서에서 강조된 텍스트를 추출할 수 있습니다. 다음 코드 스니펫은 PDF 문서에서 강조된 텍스트를 추출하는 방법을 보여줍니다.

public static void ExtractHighlightedText() {
        Document doc = new Document(_dataDir + "ExtractHighlightedText.pdf");
        // 모든 주석을 반복
        for (Annotation annotation : doc.getPages().get_Item(1).getAnnotations()) {
            // TextMarkupAnnotation 필터링
            if (annotation.getAnnotationType() == AnnotationType.Highlight) {
                HighlightAnnotation highlightedAnnotation = (HighlightAnnotation) annotation;
                // 강조된 텍스트 조각 가져오기
                TextFragmentCollection collection = highlightedAnnotation.getMarkedTextFragments();
                for (TextFragment tf : collection) {
                    // 강조된 텍스트 표시
                    System.out.println(tf.getText());
                }
            }
        }
    }

XML에서 텍스트 조각 및 세그먼트 요소에 접근하기

때때로 XML로 생성된 PDF 문서를 처리할 때 TextFragement 또는 TextSegment 항목에 접근해야 할 때가 있습니다. Aspose.PDF for Android via Java는 이러한 항목에 이름으로 접근할 수 있는 기능을 제공합니다. 아래 코드 스니펫은 이 기능을 사용하는 방법을 보여줍니다.

public static void AccessTextFragmentAndSegmentElements() {
    String inXml = "40014.xml";
    Document doc = new Document();
    doc.bindXml(_dataDir + inXml);

    TextSegment segment = (TextSegment) doc.getObjectById("boldHtml");
    segment = (TextSegment) doc.getObjectById("strongHtml");

    System.out.println(segment.getText());
}