處理 PDF 文檔時(shí)，提取公司名稱、社會(huì)保險(xiǎn)號(hào)或發(fā)票號(hào)等特定信息可能是一項(xiàng)挑戰(zhàn)。在理想情況下，這些數(shù)據(jù)將存在于結(jié)構(gòu)良好的表單字段中，可以通過(guò)編程輕松訪問(wèn)（包括使用 TX Text Control 功能）。但是，許多 PDF 文件都是扁平化的，這意味著表單字段被刪除，只留下原始文本。

TX Text Control 是一款功能類似于 MS Word 的文字處理控件，包括文檔創(chuàng)建、編輯、打印、郵件合并、格式轉(zhuǎn)換、拆分合并、導(dǎo)入導(dǎo)出、批量生成等功能。廣泛應(yīng)用于企業(yè)文檔管理，網(wǎng)站內(nèi)容發(fā)布，電子病歷中病案模板創(chuàng)建、病歷書(shū)寫(xiě)、修改歷史、連續(xù)打印、病案歸檔等功能的實(shí)現(xiàn)。TX Text Control 基于預(yù)定義模板區(qū)域提供了強(qiáng)大的文本提取解決方案，允許您甚至可以從扁平化的 PDF 中提取結(jié)構(gòu)化信息。

TX Text Control 最新下載

基于模板的文本提取涉及定義一個(gè)矩形（邊界框），特定文本預(yù)計(jì)會(huì)出現(xiàn)在 PDF 文檔中。定義此區(qū)域后，TX Text Control 便可提取定義矩形內(nèi)的文本行，確保數(shù)據(jù)檢索準(zhǔn)確。

1. 定義模板：識(shí)別示例文檔中的已知文本字符串并在其周?chē)x邊界框。
2. 應(yīng)用模板：在其他類似文檔上使用相同的選擇框來(lái)提取相關(guān)文本。
3. 提取文本：TX 文本控件允許您在定義的矩形內(nèi)搜索文本并從中檢索有意義的數(shù)據(jù)。

實(shí)現(xiàn)基于模板的文本提取

第一步，我們希望確定已知文檔中已知數(shù)據(jù)的文本位置。使用示例 PDF，找到在特定位置一致出現(xiàn)的已知文本（例如公司名稱或發(fā)票號(hào)碼）。

讓我們看一下非常典型的美國(guó)稅表W9。

該文檔仍然啟用了表單字段，如果我們有權(quán)訪問(wèn)該文檔，則只需遍歷表單字段即可使用 TX Text Control 輕松提取數(shù)據(jù)。

但在這種情況下，我們無(wú)法訪問(wèn)源文檔，只能訪問(wèn)扁平化版本，其中所有表單字段都已被刪除，只有文本可見(jiàn)。

現(xiàn)在我們要定義矩形來(lái)搜索公司名稱。

創(chuàng)建應(yīng)用程序

為了演示使用 TX 文本控制庫(kù)實(shí)現(xiàn)這一點(diǎn)有多么簡(jiǎn)單，我們將使用 .NET 控制臺(tái)應(yīng)用程序。

確保您下載了.NET 8 SDK附帶的最新版本的 Visual Studio 2022 。

1. 在 Visual Studio 2022 中，通過(guò)選擇“創(chuàng)建新項(xiàng)目”來(lái)創(chuàng)建新項(xiàng)目。

2. 選擇控制臺(tái)應(yīng)用程序作為項(xiàng)目模板然后單擊下一步確認(rèn)。

3. 為您的項(xiàng)目選擇一個(gè)名稱然后單擊下一步確認(rèn)。

4. 在下一個(gè)對(duì)話框中，選擇.NET 8 (長(zhǎng)期支持)作為框架并通過(guò)創(chuàng)建進(jìn)行確認(rèn)。

添加 NuGet 包

1. 在解決方案資源管理器中，選擇您創(chuàng)建的項(xiàng)目，然后從項(xiàng)目主菜單中選擇管理 NuGet 包...。

   從包源下拉菜單中選擇文本控制離線包。

   安裝以下軟件包的最新版本：

   • TXTextControl.TextControl.ASP.SDK

   

訓(xùn)練數(shù)據(jù)

以下代碼使用 TX Text Control 查找我們的訓(xùn)練數(shù)據(jù)“Text Control, LLC”的已知值，并返回稍后將用于所有其他文檔的位置。

控制臺(tái)包含找到的文本的位置。

{X=1192,Y=2566,Width=1510,Height=180}

提取文本

下一個(gè)代碼片段加載第二個(gè)文檔并在給定的矩形中搜索文本，該文本是我們從訓(xùn)練數(shù)據(jù)中檢索到的。

控制臺(tái)包含從第二個(gè)文檔中提取的文本。

Document Processing Enterprises Ltd.

因?yàn)槲覀兪褂昧?/span>Findtrue方法的第二個(gè)參數(shù)，所以搜索將返回整行，即使在這種情況下公司名稱更長(zhǎng)。

即使公司名稱到了行末，它也會(huì)找到正確的值。

This is a very long company name - This is a very long company name - This is a very long company name

結(jié)論

基于模板的文本提取是一項(xiàng)強(qiáng)大的功能，可用于從 PDF 文檔中提取結(jié)構(gòu)化信息。通過(guò)在已知文本周?chē)x一個(gè)矩形，TX Text Control 可以從類似文檔中提取文本，即使文本不在表單字段中。

慧都是Text Control的官方授權(quán)代理商，提供TX Text Control 系列產(chǎn)品免費(fèi)試用，咨詢，正版銷(xiāo)售等于一體的專業(yè)化服務(wù)。

下載或體驗(yàn)產(chǎn)品，請(qǐng)咨詢，或撥打產(chǎn)品熱線：023-68661681