Extração de texto de documentos PDF com PDFium VCL em Delphi.

A extração de texto é uma das tarefas mais comuns no processamento de arquivos PDF. Seja você está construindo um mecanismo de busca de documentos, um aplicativo de mineração de dados ou um sistema de gerenciamento de conteúdo, a capacidade de extrair texto de arquivos PDF é essencial. Este tutorial cobre a Extração de Texto demonstração, que mostra como extrair conteúdo de texto de documentos PDF usando PDFium VCL.

Visão Geral

A demonstração de Extração de Texto demonstra como extrair todo o conteúdo de texto de um documento PDF e salvá-lo em um arquivo de texto. Ela suporta a seleção de intervalo de páginas, a preservação de parágrafos e lida corretamente com caracteres especiais.

Principais Características

Extração Completa do Documento – Extrair texto de todas as páginas de uma vez.
Seleção de Intervalo de Páginas – Extrair texto apenas de páginas específicas.
Detecção de Parágrafos. – Preservar a estrutura do parágrafo com base nas posições dos caracteres.
Tratamento de caracteres especiais. – Opção para remover caracteres NUL da saída.
Separadores de página. – Linhas em branco opcionais entre as páginas.
Acompanhamento do Progresso – Barra de progresso visual e registro detalhado.
Saída UTF-8. – Texto de saída codificado corretamente para documentos internacionais.
Acesso no nível de caractere – Acesse caracteres individuais para processamento avançado.

Requisitos da DLL PDFium

Antes de executar qualquer aplicativo PDFium VCL, certifique-se de que os arquivos DLL do PDFium estão instalados:

pdfium32.dll / pdfium64.dll – Versões padrão (~5-6 MB)
pdfium32v8.dll / pdfium64v8.dll – Com o motor JavaScript V8 (~23-27 MB)

Instalação: Executar PDFiumVCL\DLLs\CopyDlls.bat como Administrador para copiar automaticamente os arquivos DLL para os diretórios do sistema Windows.

Extração básica de texto.

A maneira mais simples de extrair texto de uma página 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;

Extração de todas as páginas.

Percorra todas as páginas para extrair o texto completo do documento:

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;

Extração de texto com preservação de parágrafos.

Para documentos onde a estrutura dos parágrafos é importante, utilize análise de posição de caracteres:

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;

Limpeza do texto extraído.

Remova caracteres NUL e normalize o texto:

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;

Extração de texto de uma região específica.

Extraia texto de uma região retangular da página:

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;

Acesso no nível de caractere

Para análise de texto precisa, acesse caracteres individuais:

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;

Encontrando o caractere em uma posição na tela

Útil para seleção e interação com texto:

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;

Tratamento de erros e casos extremos

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;

Considerações de desempenho

Extraia o texto página por página em vez de carregar tudo na memória.
Use saída de arquivo em fluxo para documentos grandes.
Chame Application.ProcessMessages em loops para garantir a responsividade da interface do usuário.
Considere o processamento em lote para vários documentos.

Conclusão.

A demonstração de extração de texto mostra como o PDFium VCL torna a extração de texto simples e confiável. Seja para extração de texto básica ou processamento avançado com consciência de parágrafos, o componente oferece todas as ferramentas necessárias.

O acesso no nível de caractere permite análises de texto sofisticadas, enquanto a simplicidade 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。 Componente PDFium VCL hoje.