استخراج النصوص من مستندات PDF باستخدام PDFium VCL في Delphi.

استخراج النص هو واحدة من أكثر مهام معالجة ملفات PDF شيوعًا. سواء كنت تقوم ببناء محرك بحث عن المستندات، أو تطبيق لتنقيب البيانات، أو نظام لإدارة المحتوى، فإن القدرة على استخراج النص من ملفات PDF أمر ضروري. يغطي هذا البرنامج التعليمي استخراج النص مثال توضيحي، والذي يوضح كيفية استخراج محتوى النص من مستندات PDF باستخدام PDFium VCL.

نظرة عامة

يوضح المثال التوضيحي لاستخراج النص كيفية استخراج كل محتوى النص من مستند PDF وحفظه في ملف نصي. وهو يدعم تحديد نطاق الصفحات، والحفاظ على الفقرات، ويعالج الأحرف الخاصة بشكل صحيح.

الميزات الرئيسية

استخراج المستند بالكامل - استخراج النص من جميع الصفحات مرة واحدة
تحديد نطاق الصفحات - استخراج النص من صفحات محددة فقط
اكتشاف الفقرات الحفاظ على هيكل الفقرات بناءً على مواقع الأحرف.
معالجة الأحرف الخاصة. خيار لإزالة أحرف NUL من الإخراج.
فواصل الصفحات. سطور فارغة اختيارية بين الصفحات.
تتبع التقدم. شريط تقدم مرئي وتسجيل تفصيلي.
إخراج بتنسيق UTF-8. نص مُرمّز بشكل صحيح للإخراج لتوثيق دولي.
الوصول على مستوى الأحرف - الوصول إلى الأحرف الفردية لإجراء معالجة متقدمة.

متطلبات ملف PDFium DLL.

قبل تشغيل أي تطبيق PDFium VCL، تأكد من تثبيت ملفات PDFium DLL:

pdfium32.dll / pdfium64.dll – الإصدارات القياسية (حوالي 5-6 ميجابايت).
pdfium32v8.dll / pdfium64v8.dll – مع محرك JavaScript V8 (حوالي 23-27 ميجابايت).

التثبيت: تشغيل PDFiumVCL\DLLs\CopyDlls.bat بصلاحيات المسؤول لنسخ ملفات DLL تلقائيًا إلى مجلدات نظام Windows.

استخراج النصوص الأساسي.

أبسط طريقة لاستخراج النص من صفحة PDF:

procedure ExtractSimpleText;

var

Pdf: TPdf;

PageText: string;

begin

Pdf := TPdf.Create(nil);

try

Pdf.FileName := 'document.pdf';

Pdf.Active := True;

// Extract text from page 1

Pdf.PageNumber := 1;

PageText := Pdf.Text;

// Use the extracted text

Memo1.Lines.Text := PageText;

finally

Pdf.Active := False;

Pdf.Free;

end;

الاستخراج من جميع الصفحات.

التكرار عبر جميع الصفحات لاستخراج النص الكامل للمستند:

procedure TFormMain.ButtonExtractClick(Sender: TObject);

var

I, StartPage, EndPage: Integer;

PageText: string;

FileStream: TFileStream;

Text: UTF8String;

begin

Pdf.FileName := EditPdfFile.Text;

Pdf.PageNumber := 0;

Pdf.Active := True;

try

// Determine page range

if RadioButtonAllPages.Checked then

begin

StartPage := 1;

EndPage := Pdf.PageCount;

end

else

begin

StartPage := StrToInt(EditFromPage.Text);

EndPage := StrToInt(EditToPage.Text);

end;

// Create output file

FileStream := TFileStream.Create(EditOutputFile.Text, fmCreate);

try

for I := StartPage to EndPage do

begin

Pdf.PageNumber := I;

PageText := Pdf.Text;

// Convert to UTF-8 and write

Text := UTF8Encode(PageText);

if Length(Text) > 0 then

FileStream.WriteBuffer(Text[1], Length(Text));

// Add page separator if enabled

if CheckBoxPageSeparator.Checked and (I < EndPage) then

begin

Text := UTF8Encode(#13#10#13#10#13#10);

FileStream.WriteBuffer(Text[1], Length(Text));

end;

ProgressBar.Position := I - StartPage + 1;

Application.ProcessMessages;

end;

finally

FileStream.Free;

end;

finally

Pdf.Active := False;

end;

استخراج النص مع الحفاظ على هيكل الفقرات.

بالنسبة للمستندات التي يكون فيها هيكل الفقرات مهمًا، استخدم تحليل موضع الأحرف:

function ExtractTextWithParagraphs(Pdf: TPdf): string;

var

CharIndex: Integer;

CurrentChar: WideChar;

CurrentY, PrevY: Double;

LineHeight, YGap: Double;

ResultText, LineBuffer: string;

MinLineHeight: Double;

begin

ResultText := '';

LineBuffer := '';

PrevY := -1;

MinLineHeight := 999999;

// First pass: determine typical line height

for CharIndex := 0 to Pdf.CharacterCount - 1 do

begin

CurrentY := Pdf.CharacterOrigin[CharIndex].Y;

if PrevY >= 0 then

begin

YGap := Abs(CurrentY - PrevY);

if (YGap > 0) and (YGap < MinLineHeight) then

MinLineHeight := YGap;

end;

PrevY := CurrentY;

end;

LineHeight := MinLineHeight;

if LineHeight <= 0 then

LineHeight := 12; // Default fallback

// Second pass: build text with paragraph detection

PrevY := -1;

for CharIndex := 0 to Pdf.CharacterCount - 1 do

begin

CurrentChar := Pdf.Character[CharIndex];

CurrentY := Pdf.CharacterOrigin[CharIndex].Y;

// Skip NUL characters

if Ord(CurrentChar) = 0 then

Continue;

// Check for line break based on Y position change

if PrevY >= 0 then

begin

YGap := Abs(CurrentY - PrevY);

if YGap > LineHeight * 1.2 then

begin

// Add current line to result

if LineBuffer <> '' then

begin

ResultText := ResultText + LineBuffer + #13#10;

LineBuffer := '';

end;

// Check if this is a paragraph break (larger gap)

if YGap > LineHeight * 2.5 then

ResultText := ResultText + #13#10; // Extra line for paragraph

end;

LineBuffer := LineBuffer + CurrentChar;

PrevY := CurrentY;

end;

// Add final line

if LineBuffer <> '' then

ResultText := ResultText + LineBuffer;

Result := ResultText;

end;

تنظيف النص المستخرج.

إزالة أحرف NUL وتوحيد النص:

function CleanAndFormatText(const RawText: string): UTF8String;

var

I: Integer;

CleanText: string;

begin

CleanText := '';

for I := 1 to Length(RawText) do

begin

// Skip NUL characters but keep all other characters

if Ord(RawText[I]) <> 0 then

CleanText := CleanText + RawText[I];

end;

Result := UTF8Encode(CleanText);

end;

استخراج النص من منطقة محددة.

استخراج النص من منطقة مستطيلة في الصفحة:

procedure ExtractTextFromRegion;

var

Pdf: TPdf;

RegionText: string;

begin

Pdf := TPdf.Create(nil);

try

Pdf.FileName := 'document.pdf';

Pdf.Active := True;

Pdf.PageNumber := 1;

// Extract text from specific rectangle

// Parameters: Left, Top, Right, Bottom (in PDF coordinates)

RegionText := Pdf.TextInRectangle(100, 700, 500, 600);

ShowMessage('Text in region: ' + RegionText);

finally

Pdf.Active := False;

Pdf.Free;

end;

الوصول على مستوى الأحرف

لتحليل النص بدقة، قم بالوصول إلى الأحرف الفردية:

procedure AnalyzeCharacters;

var

Pdf: TPdf;

I: Integer;

Char: WideChar;

Origin: TPdfPoint;

Rect: TPdfRectangle;

FontSize: Double;

begin

Pdf := TPdf.Create(nil);

try

Pdf.FileName := 'document.pdf';

Pdf.Active := True;

Pdf.PageNumber := 1;

// Access each character

for I := 0 to Pdf.CharacterCount - 1 do

begin

Char := Pdf.Character[I];

Origin := Pdf.CharacterOrigin[I];

Rect := Pdf.CharacterRectangle[I];

FontSize := Pdf.FontSize[I];

// Check character properties

if Pdf.CharacterGenerated[I] then

// Character was generated (e.g., hyphenation)

Continue;

if Pdf.CharacterMapError[I] then

// Character couldn't be mapped to Unicode

Continue;

// Process character with position and size info

Memo1.Lines.Add(Format('Char: %s at (%.2f, %.2f) size: %.2f',

[Char, Origin.X, Origin.Y, FontSize]));

end;

finally

Pdf.Active := False;

Pdf.Free;

end;

تحديد الحرف في موضع الشاشة

مفيد لاختيار النص والتفاعل معه:

function GetCharacterAtPosition(Pdf: TPdf; X, Y: Double): Integer;

begin

// Get character index at position with tolerance

Result := Pdf.CharacterIndexAtPos(X, Y, 5.0, 5.0);

end;

معالجة الأخطاء والحالات الخاصة

procedure TFormMain.SafeExtractText;

begin

try

Pdf.FileName := EditPdfFile.Text;

Pdf.PageNumber := 0;

Pdf.Active := True;

except

on E: Exception do

begin

LogMessage('Failed to load PDF: ' + E.Message);

Exit;

end;

try

for I := StartPage to EndPage do

begin

try

Pdf.PageNumber := I;

PageText := Pdf.Text;

// Process text...

except

on E: Exception do

begin

// Log error but continue with next page

LogMessage('Error on page ' + IntToStr(I) + ': ' + E.Message);

end;

finally

Pdf.Active := False;

end;

اعتبارات الأداء

استخراج النص صفحةً تلو الأخرى بدلاً من تحميل كل شيء في الذاكرة.
استخدم إخراج الملفات المتدفقة للمستندات الكبيرة.
استدعاء. Application.ProcessMessages في الحلقات للحفاظ على استجابة واجهة المستخدم.
ضع في اعتبارك المعالجة الدفعية للمستندات المتعددة.

الخلاصة.

يوضح نموذج استخراج النص كيف يجعل مكون PDFium VCL استخراج النص بسيطًا وموثوقًا. سواء كنت بحاجة إلى استخراج نص أساسي أو معالجة متقدمة تدرك الفقرات، فإن هذا المكون يوفر جميع الأدوات التي تحتاجها.

يتيح الوصول على مستوى الأحرف تحليلًا متطورًا للنص، بينما البساطة. Text property 能够使用一行代码处理大多数常见用例.

开始构建. 您的文本提取解决方案. مكون PDFium VCL. اليوم.