PDF 生成模板编辑器
开源可视化 PDF 生成引擎,支持自定义模板,并提供面向开发者的 API,灵活构建文档生成流程。
当需要将 PDF 文件中的文本内容提取出来,以便进行后续的数据分析、文本挖掘、信息检索等应用。使用 ComPDF Conversion SDK 可以轻松将 PDF 中的文本内容提取到 .txt 文件中。
该格式只使用 CConvertOption 中的以下选项,其他选项不生效:
| 选项 | 默认值 | 含义 |
|---|---|---|
txt_table_format | true | 开启:表格同一行的单元格写在一行,以两个空格分隔;关闭:每个单元格单独一行。只在文档含表格时有区别。 |
enable_ai_layout | true | 使用 AI 版面分析确定阅读顺序、段落、列表、页眉页脚并查找表格;关闭时使用基于规则的段落和基于表格线的表格。许可证不含 AI 版面分析权限时不生效。 |
enable_ai_table_recognition | true | 使用表格模型识别单元格结构,决定表格文字的拆分和顺序。只对 AI 版面分析(enable_ai_layout 开启)找到的表格生效。 |
table_recognition_accuracy | e_CBalanced | 表格模型:e_CBalanced 使用基础模型 documentai.model,e_CHighAccuracy 使用 table_legacy.model 模型包。只在使用内置表格模型进行 AI 表格识别时生效。未加载对应精度的模型时,转换仍然成功,表格改用基于规则的方式识别。 |
enable_ocr | false | 在 ocr_option 选定的页面上用 OCR 识别文字。图片输入必须开启,否则转换返回 e_CErrUnsupportedFeature。许可证不含 OCR 权限时不生效。 |
ocr_option | e_CAll | OCR 处理的范围:e_CAll 识别所有页面;e_CScanPage 只识别图片(扫描)页面;e_CInvalidCharacter 重新识别其他页面上无法读取的字符;e_CInvalidCharacterAndScanPage 两者都做。只在 enable_ocr 开启时生效。 |
languages / language_count | NULL / 0 | OCR 识别语言;未指定语言时使用英文。只在 enable_ocr 开启时生效。 |
enable_document_orientation_classification | false | OCR 前检测页面旋转方向并将页面图像转正。只在 enable_ocr 开启时生效。 |
enable_document_dewarp | false | OCR 前对弯曲、变形的页面照片做矫正展平。只在 enable_ocr 开启时生效。 |
contain_image | true | TXT 不输出图片。enable_ocr 和 enable_ai_layout 都开启时,若此项开启,AI 版面分析找到的图片区域内的 OCR 文字会被丢弃;关闭此项可保留这些文字。 |
formula_to_image | true | 开启时,AI 版面分析找到的公式不会出现在 TXT 中;关闭可保留公式文字。只在 enable_ai_layout 开启时生效。 |
output_document_per_page | false | 每页输出一个文件,而不是整个文档输出一个文件。文件以输入文件名加页码命名,写入输出路径所在的文件夹;输出路径中的文件名不使用。 |
page_ranges | 空 | 要转换的页码,如 "1-3,5,7-9";为空时转换所有页。多帧图片输入时用于选择帧。 |
调用示例:
CConvertOption option = CPDF_DefaultConvertOption();
option.txt_table_format = false;
option.formula_to_image = false;
CPDF_StartPDFToTxt(CPDF_TEXT("input.pdf"), CPDF_TEXT("password"), CPDF_TEXT("path/output.txt"), option, NULL);在 ComPDF Conversion SDK 中,支持保留表格样式txt_table_format,即在写入 Txt 文件时会按照原始的表格结构顺序写入。通常情况下我们都建议开启该选项,这对于数据提取的场景特别有用。
以下是完整的示例代码,演示了如何将 PDF 文档转换为 .txt 文件。
CConvertOption option = CPDF_DefaultConvertOption();
// PDF 转 TXT。
CPDF_StartPDFToTxt(CPDF_TEXT("txt.pdf"), CPDF_TEXT("password"), CPDF_TEXT("path/output.txt"), option, NULL);
// 格式化表格文本样式
option.txt_table_format = true;
CPDF_StartPDFToTxt(CPDF_TEXT("txt.pdf"), CPDF_TEXT("password"), CPDF_TEXT("path/output.txt"), option, NULL);