Delphi'de PDFium VCL ile PDF Belgelerinden Metin Çıkarma

Metin çıkarma, en yaygın PDF işleme görevlerinden biridir. İster bir belge arama motoru, ister veri madenciliği uygulaması veya içerik yönetim sistemi oluşturuyor olun, PDF dosyalarından metin çıkarma yeteneği çok önemlidir. Bu eğitim şunları kapsamaktadır: Metni Çıkart PDFium VCL kullanarak PDF belgelerinden metin içeriğinin nasıl çıkarılacağını gösteren demo.

Genel Bakış

Metin Çıkarma demosu, bir PDF belgesindeki tüm metin içeriğinin nasıl çıkarılacağını ve bir metin dosyasına nasıl kaydedileceğini gösterir. Sayfa aralığı seçimini, paragraf korumayı destekler ve özel karakterleri düzgün şekilde işler.

Temel Özellikler

Tam Belge Çıkarma – Tüm sayfalardan metni aynı anda çıkarın
Sayfa Aralığı Seçimi – Yalnızca belirli sayfalardan metin çıkar
Paragraf Algılama – Karakter konumlarına göre paragraf yapısını koru
Özel Karakter İşleme – NUL karakterlerini çıktıdan kaldırma seçeneği
Sayfa Ayırıcılar – Sayfalar arasında isteğe bağlı boş satırlar
İlerleme Takibi – Görsel ilerleme çubuğu ve ayrıntılı günlük kaydı
UTF-8 Çıkışı – Uluslararası belgeler için uygun şekilde kodlanmış metin çıktısı
Karakter Düzeyinde Erişim – Gelişmiş işleme için ayrı ayrı karakterlere erişin

PDFium DLL Gereksinimleri

Herhangi bir PDFium VCL uygulamasını çalıştırmadan önce PDFium DLL dosyalarının kurulu olduğundan emin olun:

pdfium32.dll / pdfium64.dll – Standart sürümler (~5-6 MB)
pdfium32v8.dll / pdfium64v8.dll – V8 JavaScript motoruyla (~23-27 MB)

Kurulum: Çalıştır DLL'leri otomatik olarak Windows sistem dizinlerine kopyalamak için Yönetici olarak PDFiumVCL\DLLs\CopyDlls.bat .

Temel Metin Çıkarma

Bir PDF sayfasından metin çıkarmanın en basit yolu:

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;

Tüm Sayfalardan Çıkarılıyor

Belge metninin tamamını çıkarmak için tüm sayfalar arasında dolaşın:

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;

Paragraf Korumayla Metin Çıkarma

Paragraf yapısının önemli olduğu belgeler için karakter konumu analizini kullanın:

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;

Çıkarılan Metni Temizleme

NUL karakterleri kaldırın ve metni normalleştirin:

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;

Belirli Bir Bölgeden Metin Çıkarma

Metni sayfanın dikdörtgen bir bölgesinden çıkarın:

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;

Karakter Düzeyinde Erişim

Hassas metin analizi için tek tek karakterlere erişin:

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;

Ekran Konumunda Karakter Bulma

Metin seçimi ve etkileşim için kullanışlıdır:

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;

Hataları ve Uç Durumları Ele Alma

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;

Performansla İlgili Hususlar

Her şeyi belleğe yüklemek yerine metni sayfa sayfa çıkartın
Büyük belgeler için akışlı dosya çıktısını kullan
Ara Kullanıcı arayüzü duyarlılığı için döngülerde Application.ProcessMessages
Birden fazla belge için toplu işlemeyi düşünün

Sonuç

Metin Çıkarma demosu, PDFium VCL'nin metin çıkarmayı nasıl basit ve güvenilir hale getirdiğini gösterir. İster temel metin çıkarmaya, ister gelişmiş paragraf bilinçli işlemeye ihtiyacınız olsun, bileşen ihtiyacınız olan tüm araçları sağlar.

Karakter düzeyindeki erişim karmaşık metin analizine olanak tanırken, basit erişim Text özelliği, en yaygın kullanım durumlarını tek bir kod satırıyla işler.

İnşa etmeye başla ile metin çıkarma çözümünüz PDFium VCL Bileşeni bugün.