將文件檔案轉換成為文字內容系列 - PDF

最近因為工作上的關係，需要提供一系列的轉檔服務，這些轉檔工作中，首先需要將原有的各種文件檔案內容讀取出來，抽取出文件檔案內的文字內容，至於圖片等其他資訊，則將會忽略掉；一旦取得這個文件檔案內的文字內容後，將會緊接著根據需要進行這些文字的精鍊處理工作，不過，因為已經成為了文字內容，這些精練的工作就會變得簡單多了。

所以，這裡將會把各種文件檔案，要如何把裡面的文字內容抽取出來的設計工作，寫成一系列的文章，在第一篇文章，將會要來挑戰 PDF 這樣類型的檔案；然而，經過初步的上網搜尋與分析，想要把各種文件檔案的內容，抽取出所有文字內容，似乎是件滿繁重的工作，若要自己來重頭開始設計這些程式碼，並無法呈現出你的優秀與能力高超，在這裡需要滿足能夠在最短的時間內，完成這樣的轉檔需求，因此，市面上各種套件將會是唯一最佳選擇。

現在將會需要面對另外一個挑戰，那就是對於這樣 PDF 文件檔案，想要把文字內容抽取出來，到底要選擇哪個套件比較合適呢？由於我這裡有時間壓力，因此，就隨機的在網路上尋找出各種轉檔套件，只使用能夠滿足這次需求目的的就好，不館這個套件是否擁有其他強大的功能還有多少。

建立可以將 PDF 檔案轉換出文字內容的測試專案

為了簡化測試用專案的複雜度，因此，在這裡將會建立一個 Console 主控台應用類型的專案。

打開 Visual Studio 2022 IDE 應用程式
從 [Visual Studio 2022] 對話窗中，點選右下方的 [建立新的專案] 按鈕
在 [建立新專案] 對話窗右半部
- 切換 [所有語言 (L)] 下拉選單控制項為 [C#]
- 切換 [所有專案類型 (T)] 下拉選單控制項為 [主控台]
在中間的專案範本清單中，找到並且點選 [主控台應用程式] 專案範本選項
專案，用於建立可在 Windows、Linux 及 macOS 於 .NET 執行的命令列應用程式
點選右下角的 [下一步] 按鈕
在 [設定新的專案] 對話窗
找到 [專案名稱] 欄位，輸入 csPdf2Text 作為專案名稱
在剛剛輸入的 [專案名稱] 欄位下方，確認沒有勾選 [將解決方案與專案至於相同目錄中] 這個檢查盒控制項
點選右下角的 [下一步] 按鈕
現在將會看到 [其他資訊] 對話窗
在 [架構] 欄位中，請選擇最新的開發框架，這裡選擇的 [架構] 是 : .NET 7.0 (標準字詞支援)
在這個練習中，需要去勾選 [不要使用最上層陳述式(T)] 這個檢查盒控制項
這裡的這個操作，可以由讀者自行決定是否要勾選這個檢查盒控制項
請點選右下角的 [建立] 按鈕

稍微等候一下，這個主控台專案將會建立完成

安裝要用到的 NuGet 開發套件

因為開發此專案時會用到這些 NuGet 套件，請依照底下說明，將需要用到的 NuGet 套件安裝起來。

安裝 itext7 套件

iText7 是一個針對 C# 開發環境的開源 PDF 庫，主要用於創建、編輯、檢視和操作 PDF 文件。它提供了一個功能強大且靈活的 API，讓開發者能夠快速並且輕鬆地完成 PDF 文件的各種操作。

iText7 的主要功能和目的包括：

創建 PDF 文件：可以從零開始創建新的 PDF 文件，也可以基於現有的模板或文件創建 PDF。
編輯 PDF 文件：提供了編輯 PDF 文本、圖像、表格和其他內容的功能，讓開發者能夠輕鬆地修改現有的 PDF 文件。
PDF 操作：支持將多個 PDF 文件合併為一個文件、拆分 PDF 文件、重排 PDF 頁面順序等操作。
表單填充與編輯：可以在 PDF 表單中填充數據、讀取表單數據以及編輯現有的 PDF 表單。
PDF 文字提取：允許從 PDF 文件中提取文字內容，便於進行分析或其他操作。
PDF 轉換：可以將 PDF 文件轉換為其他格式，如 HTML、XML、圖像等，並支持從這些格式轉換回 PDF。
安全性：提供了 PDF 文件的加密、解密、簽名和驗證等安全功能，保護 PDF 文件的數據安全。
PDF 標籤和標記：支持為 PDF 文件添加標籤和標記，以便於閱讀和搜索。
PDF 與文檔標準相容：支持與 PDF/A、PDF/UA、PDF/X 等文檔標準相容，確保文檔在各種場景下的正確顯示和使用。
總之，iText7 是一個強大的 PDF 處理套件，適用於 C# 開發環境。它可以幫助開發者快速完成 PDF 文件的創建、編輯和操作等任務，提高工作效率。

請依照底下說明操作步驟，將這個套件安裝到專案內

滑鼠右擊 [方案總管] 視窗內的 [專案節點] 下方的 [相依性] 節點
從彈出功能表清單中，點選 [管理 NuGet 套件] 這個功能選項清單
此時，將會看到 [NuGet: csPdf2Text] 視窗
切換此視窗的標籤頁次到名稱為 [瀏覽] 這個標籤頁次
在左上方找到一個搜尋文字輸入盒，在此輸入 itext7
稍待一會，將會在下方看到這個套件被搜尋出來
點選 [itext7] 套件名稱
在視窗右方，將會看到該套件詳細說明的內容，其中，右上方有的 [安裝] 按鈕
點選這個 [安裝] 按鈕，將這個套件安裝到專案內

準備需要抽取文字內容的 PDF 檔案

準備好一個 [.pdf] 文件檔案
在這裡將會從網路上，隨機找到一個 [synapse_pacs.pdf] 檔案
取得該檔案之後，將其透過檔案總管拖拉到 Visual Studio 2022 的專案內
接著，點選 [synapse_pacs.pdf] 檔案
查看 [屬性] 視窗的內容
若沒有看到屬性視窗出現在 Visual Studio 2022 內，請從 Visual Studio 2022 功能表中，點選 [檢視] > [屬性視窗]
(這個選項將會在功能表清單內的最下面)
在屬性視窗內，找到 [複製到輸出目錄] 這個選項
從下拉選單中找到並且設定為這個 [有更新時才複製] 選項

開始進行轉檔程式設計

在此專案節點下，找到並且打開 [Program.cs] 這個檔案
使用底下 C# 程式碼替換掉 [Program.cs] 檔案內所有程式碼內容

using System.Text;
using iText.Kernel.Pdf;
using iText.Kernel.Pdf.Canvas.Parser;
using iText.Kernel.Pdf.Canvas.Parser.Listener;

namespace csPdf2Text
{
    internal class Program
    {
        static void Main(string[] args)
        {
            StringBuilder result = new StringBuilder();

            using (PdfReader pdfReader = new PdfReader("synapse_pacs.pdf"))
            {
                using (PdfDocument pdfDoc = new PdfDocument(pdfReader))
                {
                    int numberOfPages = pdfDoc.GetNumberOfPages();

                    for (int i = 1; i <= numberOfPages; i++)
                    {
                        ITextExtractionStrategy strategy = new SimpleTextExtractionStrategy();
                        string pageContent = PdfTextExtractor.GetTextFromPage(pdfDoc.GetPage(i), strategy);
                        result.AppendLine(pageContent);
                    }
                }
            }

            Console.WriteLine(result.ToString());
        }
    }
}

[result] 這個區域變數為一個 [StringBuilder] 型別的物件，將會用於暫時儲存從 PDF 檔案內讀取出來的文字內容，一旦所有文件內容都轉成文字內後，將會使用 [StringBuilder] 的 [ToString] 方法，取得所有的文字內容。

接下來建立一個 [PdfReader] 類別的物件，在呼叫建構函式時候，將測試用的 PDF 檔案路徑名稱，傳遞到建構式內。

現在可以透過 [PdfDocument] 類別的物件，開始逐一掃瞄該 PDF 文件內的每個頁面，對於每個 PDF 頁面，將會使用 [PdfTextExtractor.GetTextFromPage] 方法，把這個頁面的文字內容抽取出來。

最後，將所有的文字內容輸出到螢幕上

底下將會是執行後的螢幕截圖結果

C# .NET Blazor MAUI Xamarin Research

2023年5月2日星期二