夜雨聆风
从 PDF 中提取文本:开发者基础、方法与资源
无论你处理的是扫描文档、复杂版式还是编码文本，PDF 文本提取都需要合适的工具与技术，才能获取干净、可用的内容。在本篇博客中，我们将讲解 PDF 文本提取的基础知识，介绍不同方法，并拆解文本提取代码示例与使用场景，帮你找到满足需求的解决方案。
需要从 PDF 中提取文本的常见场景包括：
-
为文本建立索引 -
对文本进行分析无论是否包含文本的位置 / 样式信息
PDF 文本提取的核心要素
文本提取技术
- Unicode 文本提取
PDF 可使用 Unicode 编码存储文本，支持以正确字符编码提取文本。 - OCR
当 PDF 包含扫描图像或不可选文本时，可使用 OCR 技术从图像中识别并提取文本。
-
使用场景 - 内容分析
文本提取常用于内容分析，让应用程序能够解析和处理 PDF 文档内的文本信息。 - 数据提取
从 PDF 中提取结构化数据（如表格或表单数据）是常见场景。 - 可搜索归档
通过提取文本使 PDF 内容可检索，方便用户在海量文档中查找特定信息。
-
挑战 - 文本版式
PDF 存储文本的方式会反映文档视觉布局，提取时保持原始格式存在难度。 - 基于图像的文本
部分 PDF 将文本以图片形式存在，需要 OCR 才能准确提取。 - 加密 PDF
加密 PDF 需要先解密，才能进行文本提取。 - 编程接口
多数编程语言都有支持 PDF 文本提取的库或 API，可解析 PDF 结构并提取文本内容。
PDF 文本提取方法与代码示例
Adobe PDF Library SDK 几乎可以处理任何 PDF 文本提取场景。以下是我们提供的文本提取代码示例及其适用场景。注意：本文示例基于 .NET/C#，GitHub 主页还提供 C++、Java/Maven、Kotlin 等其他语言版本。
提取页面文本
TextExtract 示例从 PDF 文件中提取文本并导出为 TXT 文件。它会打开名为 Constitution.PDF 的文件，生成输出文件 TextExtract-untagged-out.txt，导出文件包含页码引用，文本使用标准 Times Roman 编码。程序还支持处理带标签文档，可判断原始 PDF 是否带标签。标签用于让视障人士可访问 PDF。
提取 PDF 表单数据
ExtractAcroFormFieldData 示例演示如何从 PDF 的 AcroForm 字段中提取文本。适用于处理可填写表单的用户，可将表单内文本提取为 JSON 文件，用于文本编辑器或浏览器。
按模式匹配搜索
ExtractTextByPatternMatch 示例使用简单统一的命令在文档文本中搜索模式（如电话号码），并将数据提取到 TXT 文件。例如，美国电话号码格式为 ###-###-####，全球格式各不相同。该示例只需在代码中使用 PHONE_PATTERN，即可轻松提取任意电话号码，无需编写复杂正则表达式。
你还可以使用 ExtractCJKTextByPatternMatch 示例搜索中、日、韩（CJK）Unicode 字符。全球有超过 15 亿人使用这些语言，企业必须能够正确提取海量不同字符。
按区域提取文本
ExtractTextByRegion 示例从 PDF 页面指定区域提取文本，并保存为 TXT 文件。例如，企业有成千上万份格式统一的发票，需要从 PDF 固定区域提取编号；或美国国税局需要从 1044 表格特定区域提取社保号，均可使用该功能。
从多区域提取文本
ExtractTextFromMultiRegions 示例批量处理文件夹中的 PDF，从页面多个指定区域提取文本，并保存为 CSV 文件。例如，可将文件夹内所有发票的编号、日期、订单号、客户 ID、金额汇总到一个文件中，实现数据一站式查看。
提取批注信息
PDF 可能包含数千条批注。ExtractTextFromAnnotations 示例演示如何提取批注信息并保存为独立的 JSON 文件。例如，合同谈判中包含已通过或驳回的评论与疑问，该功能可提取相关数据。
保留样式提取
ExtractTextPreservingStyleAndPositionInfo 示例从 PDF 提取所有文本及文本相关信息（保存为 JSON），包括样式、颜色、字号等，实现样式保留。
其他基于文本的使用场景与代码示例
除上述文本提取示例外，我们还提供向 PDF 添加文本元素的相关示例，均可在 GitHub 的 “Text” 文件夹中找到。
添加字形
字形可表示标准文本字体中没有的特殊符号或字符，如字母、数字、标点及其他符号。字形常见于技术文档、数学论文或需要特殊符号的专业领域（设计、印刷、金融、法律等）。设计师常使用字形作为装饰元素、项目符号或图标，提升可读性与设计一致性。此外，部分语言的字符在通用字体中不受支持，添加专用字形可确保准确呈现，对保留文本含义与可读性至关重要。
添加 Unicode 文本
Unicode 提供全面的字符编码标准，支持几乎所有书面语言，包括中文、阿拉伯文、梵文等非拉丁文字。使用 Unicode 可在 PDF 中包含多语言文本，确保准确呈现与可读性。Unicode 还能保证文本在不同设备、操作系统和 PDF 阅读器中一致显示，极具通用性。这在全球通信中尤为重要，同一文档可能在多平台查看。Unicode 还支持文本检索，优势显著。
添加竖排文字
竖排是部分语言的传统书写方式，尤其中、日、韩等东亚语言。这些语言常采用从上到下、从右到左的阅读顺序。在 PDF 中添加竖排文字对保留这些语言的文化与语言规范至关重要。
正则表达式提取文本
正则表达式（regex）支持高精度、灵活的搜索模式。可搜索短语的不同形式，如不同拼写、单词形态或简单关键词无法匹配的部分内容。处理大型文档或多个 PDF 时，正则表达式可快速找到所有目标内容，节省人工检索时间。
Regex PDF Text Search
在输入 PDF 中搜索短语或文本模式。提供用于搜索电话、邮箱、URL 的示例正则表达式，可直接使用或自定义。支持搜索整个 PDF 或指定页码范围。程序生成与原文件一致的输出 PDF，仅将搜索内容高亮显示。可输入输入文件名与输出文件名。示例使用 PDDocTextFinder 在输入 PDF 中查找短语或模式。
不止于此！你还可以使用 APDFL 对 PDF 文本执行以下操作：
- Unicode Text
演示 Unicode 文本操作，向 PDF 页面添加多语言文本。 - Text Select Enum
使用 PDTextSelect 功能，演示如何在 PDF 页面指定区域内选择文本。 - Text Search
演示如何在输入 PDF 中查找并高亮显示指定单词的所有实例。 - Hello Japan
相当于日文版的 Hello World，运行后生成包含日文汉字 “Hello Japan” 的 PDF 文档。
使用 Adobe PDF Library 简化开发流程
访问 Datalogics GitHub 仓库，了解更多关于 Adobe PDF Library 以及 PDF 文本创建、修改与管理的示例。立即开始免费试用，体验我们的 PDF SDK 如何帮你缩短开发周期。
