当前位置： 首页 > news >正文

PDF处理控件Aspose.PDF指南：如何使用 C# 在 PDF 中搜索

news 来源：原创 2025/4/28 5:29:05

在文档管理系统、法律审查工具、发票处理工具和其他企业应用程序中，搜索PDF文档中的特定文本是一项常见任务。无论您是尝试查找关键字、提取特定值还是遮盖敏感信息，自动化 PDF 搜索都能为您节省大量时间和精力。

在本篇博文中，您将学习如何使用 C# 以编程方式在 PDF 文件中搜索文本。我们将通过实际的 C# 代码示例，逐步向您讲解主要功能。

Aspose.PDF最新版下载

用于在 PDF 文档中搜索的 C# 库

Aspose.PDF for .NET简化了使用 C# 在 PDF 文件中搜索文本的过程。它允许您查找精确的单词、使用正则表达式匹配模式，甚至突出显示或替换匹配的文本——所有这些只需几行代码即可完成。这个强大的库提供了用于操作 PDF 文档的强大功能。它允许开发人员轻松实现搜索功能。使用 Aspose.PDF，您可以快速在 PDF 中查找单词，使其成为软件开发人员的宝贵工具。

在深入研究 PDF 文本搜索之前，您需要设置开发环境。请按照以下步骤开始使用 Aspose.PDF for .NET：

1.安装 Aspose.PDF for .NET。

从发行版下载或通过NuGet安装。在 Visual Studio 中打开 .NET 项目，然后在 NuGet 包管理器控制台中运行以下命令：

PM> Install-Package Aspose.PDF

此命令将 Aspose.PDF 库添加到您的项目中，以便您可以访问其强大的 PDF 处理功能。

2. 导入所需的命名空间

在 C# 文件的顶部，添加以下使用指令：

using Aspose.Pdf;
using Aspose.Pdf.Text;

现在您已准备好使用 Aspose.PDF 的 API 开始在 PDF 文件中搜索文本。

使用 C# 在 PDF 中搜索文本

使用 Aspose.PDF for .NET，您可以轻松地在 PDF 中搜索特定的单词或短语，找到它们的所有实例，并采取诸如突出显示它们或提取其详细信息等操作。

请按照以下步骤执行基本文本搜索：

  1. 使用Document类加载目标 PDF 文件。
  2. 创建一个TextFragmentAbsorber来定义搜索关键字。
  3. 使用Accept()方法在所有页面运行吸收器。
  4. 检索所有匹配的文本片段。
  5. 打印找到的匹配数。
  6. 循环并显示每个匹配项及其页码。

以下代码示例实现了这些步骤。

// Load the PDF file
Document pdfDocument = new Document("sample.pdf");// Create a text absorber with the search keyword
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("invoice");// Apply the absorber to all pages
pdfDocument.Pages.Accept(textFragmentAbsorber);// Get the matched text fragments
TextFragmentCollection textFragments = textFragmentAbsorber.TextFragments;// Print how many times the keyword was found
Console.WriteLine($"Found {textFragments.Count} instance(s) of the keyword.");// Loop through and print each found text
foreach (TextFragment fragment in textFragments)
{Console.WriteLine($"Text: {fragment.Text} | Page: {fragment.Page.Number}");
}

输出示例

Found 3 instance(s) of the keyword.
Text: invoice | Page: 1
Text: invoice | Page: 2
Text: invoice | Page: 3

此示例演示了一个简单的关键字搜索，该搜索适用于 PDF 中的所有页面。您将看到匹配的文本及其页码。

为了更好地理解代码中发生的情况，下面对所涉及的关键类和方法进行了快速分解：

  • Document：代表整个 PDF 文件。它提供对页面、内容和结构的访问。
  • TextFragmentAbsorber：查找 PDF 中指定字符串或模式的所有匹配项。您还可以启用不区分大小写或基于正则表达式的搜索等功能。
  • Accept()：将吸收器应用于每页纸张。它会扫描整个文档并收集匹配的碎片。
  • TextFragments：吸收器返回的所有匹配的文本片段的集合。
  • TextFragment：每个单独的匹配都包含内容、位置和页码等详细信息。

使用 C# 进行不区分大小写和全字搜索

搜索 PDF 内容时，您需要控制系统查找匹配项的方式，以确保结果准确。有时，您可能希望忽略字母大小写（“Invoice” 与 “invoice”），或者只想匹配完整的单词，而不是其他单词中的部分匹配。

Aspose.PDF for .NET 为您提供了实现这两项功能的工具。

默认情况下，搜索区分大小写。要忽略字母大小写，请使用TextSearchOptionswith IgnoreCaseenabled：

// Load the PDF file
Document pdfDocument = new Document("sample.pdf");// Create a text absorber with a case-insensitive regular expression
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber("(?i)INVOICE");// Set text search options to enable regular expression usage
TextSearchOptions textSearchOptions = new TextSearchOptions(true);
textFragmentAbsorber.TextSearchOptions = textSearchOptions;// Apply the absorber to all pages
pdfDocument.Pages.Accept(textFragmentAbsorber);// Retrieve the matched text fragments
TextFragmentCollection textFragments = textFragmentAbsorber.TextFragments;// Output the number of matches found
Console.WriteLine($"Found {textFragments.Count} instance(s) of the keyword.");// Loop through and display each found text fragment
foreach (TextFragment fragment in textFragments)
{Console.WriteLine($"Text: {fragment.Text} | Page: {fragment.Page.Number}");
}

这将找到“发票”、“发票”、“发票”和其他变体。

仅匹配整个单词

您还可以阻止部分匹配。例如，搜索“car不应匹配”care或scar“”。

// Load the PDF file
Document pdfDocument = new Document("sample.pdf");// Create a text absorber with a regular expression pattern for whole word match
TextFragmentAbsorber textFragmentAbsorber = new TextFragmentAbsorber(@"\bcar\b");// Set text search options to enable regular expression usage
TextSearchOptions textSearchOptions = new TextSearchOptions(true);
textFragmentAbsorber.TextSearchOptions = textSearchOptions;// Apply the absorber to all pages
pdfDocument.Pages.Accept(textFragmentAbsorber);// Retrieve the matched text fragments
TextFragmentCollection textFragments = textFragmentAbsorber.TextFragments;// Output the number of matches found
Console.WriteLine($"Found {textFragments.Count} instance(s) of the keyword.");// Loop through and display each found text fragment
foreach (TextFragment fragment in textFragments)
{Console.WriteLine($"Text: {fragment.Text} | Page: {fragment.Page.Number}");
}

这确保只有单词“car”的独立实例被匹配。

使用正则表达式在 PDF 中搜索

在某些情况下，您需要查找的不仅仅是某个特定的单词，您还需要匹配诸如日期、电子邮件地址或参考编号之类的模式。这时，正则表达式 (regex)就派上用场了。

Aspose.PDF for .NET 允许您使用正则表达式在 PDF 文档的任何部分进行高级文本搜索。

示例：查找 PDF 中的所有日期

假设您要查找以下格式的所有日期dd/mm/yyyy：

// Load PDF and search for text
Document pdfDocument = new Document("sample.pdf");// Enable regex in search options
TextSearchOptions searchOptions = new TextSearchOptions(true)
{IsRegularExpressionUsed = true
};// Create absorber with date pattern
TextFragmentAbsorber absorber = new TextFragmentAbsorber(@"\d{2}/\d{2}/\d{4}", searchOptions);// Apply absorber to pages
pdfDocument.Pages.Accept(absorber);// Loop and print found patterns
foreach (TextFragment fragment in absorber.TextFragments)
{Console.WriteLine($"Found date: {fragment.Text} on Page {fragment.Page.Number}");
}

其他有用的模式：

  • 电子邮件：\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b
  • 电话号码：\d{3}[-.\s]??\d{3}[-.\s]??\d{4}
  • 发票号码：INV-\d+

Regex 将您的搜索功能扩展到静态文本之外，帮助您从非结构化文档中提取结构化数据。

搜索并提取包含职位详细信息的文本

有时，仅仅找到文本是不够的——您可能需要知道它在PDF中的确切位置。Aspose.PDF允许您提取每个匹配项的页码、坐标和格式详细信息。

此功能对于建立索引、标记文档或创建可点击链接特别有用。

示例：获取每场比赛的位置**

// Load PDF and search for text
Document pdfDocument = new Document("sample.pdf");
TextFragmentAbsorber absorber = new TextFragmentAbsorber("invoice");
pdfDocument.Pages.Accept(absorber);// Get matched fragments
TextFragmentCollection fragments = absorber.TextFragments;// Print position and text for each match
foreach (TextFragment fragment in fragments)
{Console.WriteLine($"Text: {fragment.Text}");Console.WriteLine($"Page: {fragment.Page.Number}");Console.WriteLine($"Position - X: {fragment.Position.XIndent}, Y: {fragment.Position.YIndent}");Console.WriteLine($"Font: {fragment.TextState.Font.FontName}, Size: {fragment.TextState.FontSize}");Console.WriteLine("------------");
}

示例输出

Text: invoice
Page: 1
Position - X: 33.482, Y: 708.246
Font: Helvetica, Size: 12
------------
Text: invoice
Page: 2
Position - X: 33.482, Y: 708.246
Font: Helvetica, Size: 12
------------
Text: invoice
Page: 3
Position - X: 33.482, Y: 708.246
Font: Helvetica, Size: 12
------------

现在，您确切地知道了“发票”一词出现的位置以及它的样式。这种细节水平为高级处理（例如注释、工具提示或动态突出显示）打开了大门。

突出显示或替换找到的文本

在 PDF 中找到特定文本后，您可以进一步操作，例如高亮显示该文本，甚至将其替换为新内容。Aspose.PDF for .NET 允许您使用该对象轻松地设置或修改匹配文本的样式TextFragment。

在 PDF 中搜索并高亮显示文本

您可以通过更改文本的背景和字体颜色来直观地突出显示文本。

TextFragmentAbsorber absorber = new TextFragmentAbsorber("invoice");
pdfDocument.Pages.Accept(absorber);foreach (TextFragment fragment in absorber.TextFragments)
{// Highlight by changing text appearancefragment.TextState.BackgroundColor = Color.Yellow;fragment.TextState.ForegroundColor = Color.Red;fragment.TextState.FontStyle = FontStyles.Bold;
}

这对于审查、批注或生成带注释的报告很有用。

查找和替换文本

需要编辑或更新文档中的文本？直接替换即可：

foreach (TextFragment fragment in absorber.TextFragments)
{fragment.Text = "REDACTED";
}

您甚至可以在替换时应用新的格式：

fragment.TextState.FontSize = 12;
fragment.TextState.Font = FontRepository.FindFont("Arial");
fragment.TextState.ForegroundColor = Color.Black;

通过编程突出显示和替换文本，您可以自动执行许多文档处理任务，例如清理模板、更新过时的内容或审查私人数据。

在所有页面或特定页面中搜索

默认情况下，Aspose.PDF 会搜索PDF 中的所有页面。但有时，您可能希望将搜索范围限制在特定页面或页面范围内——尤其是在处理大型文件或内容可预测的情况下。

Aspose.PDF 使这两项操作变得简单。

在所有页面上搜索（默认）

如果您没有指定页面，吸收器会自动搜索每一页。

TextFragmentAbsorber absorber = new TextFragmentAbsorber("invoice");
pdfDocument.Pages.Accept(absorber); // Searches all pages

在特定页面上搜索

您还可以通过直接定位来搜索单个页面：

TextFragmentAbsorber absorber = new TextFragmentAbsorber("invoice");// Search only on page 2
pdfDocument.Pages[2].Accept(absorber);

在一定范围内的页面搜索

要搜索自定义范围（例如第 2 页至第 4 页），只需循环遍历该范围：

TextFragmentAbsorber absorber = new TextFragmentAbsorber("invoice");// Loop through selected pages
for (int i = 2; i <= 4; i++)
{pdfDocument.Pages[i].Accept(absorber);
}

这种方法使您能够完全控制性能和精度，对于扫描或分段的文档尤其有用。

高级用例：搜索和编辑敏感信息

在法律、人力资源或财务文档中，通常会在共享之前隐藏敏感内容（例如姓名、ID 或账号）。Aspose.PDF for .NET 通过将搜索与编辑功能相结合，使这变得简单。

您可以搜索术语，然后使用应用黑色覆盖RedactionAnnotation。

// Load PDF and search for text
Document pdfDocument = new Document("sample.pdf");// Search for the name "John Doe"
TextFragmentAbsorber absorber = new TextFragmentAbsorber("John Doe");
pdfDocument.Pages.Accept(absorber);// Loop through found fragments and redact
foreach (TextFragment fragment in absorber.TextFragments)
{// Get position and dimensionsAspose.Pdf.Rectangle rect = new Aspose.Pdf.Rectangle(fragment.Position.XIndent,fragment.Position.YIndent,fragment.Position.XIndent + fragment.Rectangle.Width,fragment.Position.YIndent + fragment.Rectangle.Height);// Create a redaction annotationRedactionAnnotation redaction = new RedactionAnnotation(fragment.Page, rect){FillColor = Color.Black,Color = Color.Black};// Add and apply redactionfragment.Page.Annotations.Add(redaction);redaction.Redact();
}
// Save the modified document
pdfDocument.Save("SearchAndRedact.pdf");

会发生什么

  • 找到目标文本（“John Doe”）并将其用黑框覆盖。
  • 这不仅仅是视觉上的——它会从 PDF 层中删除内容，使其无法从文件中删除。

结论

在 PDF 文件中搜索文本是许多基于文档的应用程序的一项重要功能——无论您是提取数据、审核内容还是准备文件进行编辑。使用Aspose.PDF for .NET，您可以轻松执行关键字搜索、使用正则表达式、突出显示结果，甚至精确控制地编辑敏感信息。Aspose.PDF 提供开发人员友好的 API，可简化复杂的 PDF 操作——节省您的时间，同时实现强大的自动化功能。

相关文章：

  • Maven 4.0.0 模式-pom.xml配置详解
  • MSO-Player：基于vlc的Unity直播流播放器，支持主流RTSP、RTMP、HTTP等常见格式
  • LLM模型的几何抽象：上文向量与Token距离的容量优化
  • GRS认证审核内容？GRS认证基本概述？GRS认证的好处？
  • Spark学习全总结
  • 前端零基础入门到上班:【Day8】JavaScript 基础语法入门
  • 面试题】找出两个整数 a,b 中的较大者
  • 【机器学习驱动的智能化电池管理技术与应用】
  • package.json script 中的 prepare 脚本的作用是什么
  • 00-算法打卡-目录
  • ReACT Agent 实战
  • 关于 React Fiber 架构、Hooks 原理
  • Python爬虫（8）Python数据存储实战：JSON文件读写与复杂结构化数据处理指南
  • pycharm无法创建venv虚拟环境
  • 大模型图像编辑那家强？
  • Centos8 安装 Docker
  • ​​全栈自动化：从零构建智能CI/CD流水线​
  • 多模态常见面试题
  • HTML倒数
  • 使用 MediaPipe 和 OpenCV 快速生成人脸掩膜（Face Mask）
  • 哈马斯同意释放剩余所有以方被扣押人员，以换取停火五年
  • 我驻阿巴斯总领馆：将持续跟踪港口爆炸事件进展，全力确保中方人员安全
  • 三大交易所修订股票上市规则：明确关键少数责任，强化中小股东保障
  • 白酒瓶“神似”北京第一高楼被判侵权，法院一审判赔45万并停售
  • 企业称县政府为拆迁开发借款2亿元逾期未还，河北青龙县：开发搁置，将继续沟通
  • 南宁市委常委、组织部部长陈川已任广西医科大学党委书记