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 TxtOptions 中的以下选项,其他选项不生效:
| 选项 | 默认值 | 含义 |
|---|---|---|
TableFormat | 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。 |
EnableAiLayout | 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。 |
EnableAiTableRecognition | 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(EnableAiLayout 开启)找到的表格生效。 |
TableRecognitionAccuracy | TableRecognitionAccuracy.e_Balanced | 表格模型:TableRecognitionAccuracy.e_Balanced 使用基础模型 documentai.model,TableRecognitionAccuracy.e_HighAccuracy 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。 |
EnableOCR | false | 在 OcrOption 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 ErrorCode.e_ErrUnsupportedFeature。许可证不含 OCR 权限时不生效。 |
OcrOption | OCROption.e_All | OCR 处理的范围:OCROption.e_All 识别所有页面;OCROption.e_ScanPage 只识别图片(扫描)页面;OCROption.e_InvalidCharacter 重新识别其他页面上无法读取的字符;OCROption.e_InvalidCharacterAndScanPage 两者都做。只在 EnableOCR 开启时生效。 |
Languages | { OCRLanguage.e_ENGLISH } | OCR 识别语言;未指定语言时使用英文。只在 EnableOCR 开启时生效。 |
EnableDocumentOrientationClassification | false | OCR 前检测页面旋转方向并将页面图像转正。只在 EnableOCR 开启时生效。 |
EnableDocumentDewarp | false | OCR 前对弯曲、变形的页面照片做矫正展平。只在 EnableOCR 开启时生效。 |
OutputDocumentPerPage | 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。 |
PageRanges | 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:
TxtOptions txtOptions = new TxtOptions();
txtOptions.TableFormat = false;
txtOptions.PageRanges = "1-3";
ErrorCode error = CPDFConversion.StartPDFToTxt("input.pdf", "password", "path/output.txt", txtOptions);在 ComPDF Conversion SDK 中,支持保留表格样式TxtTableFormat,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。
string inputFilePath = "***";
string password = "***";
string outputFileName = "***";
TxtOptions txtOptions = new TxtOptions();
ErrorCode error = CPDFConversion.StartPDFToTxt(inputFilePath, password, outputFileName, txtOptions);