Extrahujte obrázky z dokumentů pomocí C#

V předchozím příspěvku jsme diskutovali o tom, jak extrahovat obrázky z dokumentů v Java. Dnes se budeme snažit dosáhnout stejného cíle pomocí C#. Žádný strach, pokud jste nenavštívili poslední příspěvek. V tomto článku se naučíme programově extrahovat obrázky z dokumentů PDF, Excel, PowerPoint a Word v aplikaci C# pomocí .NET API pro analýzu dokumentů.

Zde se budou probírat následující témata:

• Rozhraní API pro extrakci obrázků, textu a metadat
• Extrakce obrázků z PDF dokumentů
• Extrahujte obrázky z dokumentů Word, Excel, PowerPoint
• Extrahujte obrázek z konkrétní stránky
• Podporované formáty pro extrakci obrázků

Rozhraní API pro extrakci obrázků, textu a metadat

GroupDocs.Parser for .NET je .NET API pro analýzu dokumentů a extrakci dat. Podporuje analýzu dokumentů a extrakci obrázků, textu a metadat z textových dokumentů, tabulek, prezentací, archivů a e-mailových dokumentů. Na konci článku jsou uvedeny formáty dokumentů, které jsou podporovány API pro extrakci obrázků.

V tomto článku budeme používat toto API, takže bych doporučil stáhnout jeho binárky nebo nainstalovat API z NuGet pro přípravu prostředí.

Extrahujte obrázky z dokumentů PDF v C#

Pomocí těchto jednoduchých kroků můžete snadno načíst všechny obrázky z jakéhokoli dokumentu PDF.

1. Vytvořte instanci objektu třídy Parser se zdrojovým dokumentem.
2. Voláním metody GetImages třídy Parser získáte kolekci všech obrázků v objektech PageImageArea.
3. Iterujte přes PageImageArea, abyste získali každý obrázek.
4. Uložte obrázky na disk pomocí metody Save aplikace PageImageArea.

Extrahované obrázky lze uložit ve formátech BMP, GIF, JPEG, PNG a WebP. Úplný kód je zobrazen níže, aby demonstroval celé kroky.

// Extrahujte obrázky z Wordu, Excelu, PPT, PDF v C# pomocí GroupDocs.Parser for .NET
using (Parser parser = new Parser("path/document.pdf"))
{
    IEnumerable<PageImageArea> images = parser.GetImages();
    ImageOptions options = new ImageOptions(ImageFormat.Png);
    int imageNumber = 0;
    // Opakujte načtené obrázky
    foreach (PageImageArea image in images)
    {
        // Uložit obrázek a vytisknout index stránky, obdélník a typ obrázku:
        Console.WriteLine(string.Format("Page: {0}, R: {1}, Type: {2}", image.Page.Index, image.Rectangle, image.FileType));
        image.Save("imageFilePath/image-" + imageNumber.ToString() + ".png", options);
        imageNumber++;
    }
}

Extrakce obrázků ze souborů Word, Excel, PowerPoint v C#

Neomezujeme se pouze na formát PDF, můžeme vyjmout všechny obrázky z textových dokumentů, tabulek, prezentací s nezměněnou základnou kódu. Stačí změnit cestu ke zdrojovému dokumentu s příponou souboru, váš dokument bude analyzován, aby se extrahovaly a uložily všechny obrázky na disk.

using (Parser parser = new Parser("path/document.docx")) // Word Document
// using (Parser parser = new Parser("path/document.xlsx")) // Excel Spreadhseet
// using (Parser parser = new Parser("path/document.pptx")) // Presentation
// using (Parser parser = new Parser("path/document.pdf")) // PDF Document

Extrahujte obrázky z konkrétní stránky dokumentu v C#

Pokud chcete extrahovat obrázky z konkrétní stránky dokumentu, lze to snadno provést pomocí níže uvedených kroků a kódu C#.

• Získejte informace o dokumentu pomocí metody GetDocumentInfo.
• Z informací o dokumentu odeberte celkový Počet stránek a další informace.
• Použijte metodu GetImages(pageIndex) a předejte jí index cílové stránky.
• Chcete-li uložené snímky uložit, projděte sbírku snímků a uložte jednotlivé snímky pomocí metody Uložit.

// Extrahujte obrázky z konkrétní stránky Wordu, Excelu, PowerPointu, PDF v C# pomocí GroupDocs.Parser for .NET
using (Parser parser = new Parser("path/document.pdf"))
{
    // Získejte informace o dokumentu
    IDocumentInfo documentInfo = parser.GetDocumentInfo();
    ImageOptions options = new ImageOptions(ImageFormat.Png);
    int imageNumber = 0;

    // Opakujte stránky
    for (int pageIndex = 0; pageIndex < documentInfo.PageCount; pageIndex++)
    {
        // Vytiskněte číslo stránky 
        Console.WriteLine(string.Format("Page {0}/{1}", pageIndex + 1, documentInfo.PageCount));
        // Iterujte přes obrázky. Ignorování nulové kontroly v příkladu
        foreach (PageImageArea image in parser.GetImages(pageIndex))
        {
            // Vytiskněte obdélník a typ obrázku
            Console.WriteLine(string.Format("R: {0}, Text: {1}", image.Rectangle, image.FileType));
            image.Save("imageFilePath/image-" + imageNumber.ToString() + ".png", options);
            imageNumber++;
        }
    }
}

Podporované formáty pro extrakci obrázků v C#

Níže jsou uvedeny formáty dokumentů, které jsou podporovány rozhraním GroupDocs.Parser for .NET API pro extrakci obrázků.

Více o GroupDocs.Parser

• Dokumentace
• Příklady zdrojového kódu
• Reference API
• Family ([On-Premise API]]23| Cloud API | Bezplatná online aplikace

Pojďme si promluvit více @ Free Support Forum

Související články

• Extrahujte obrázky z dokumentů pomocí Java
• Extrahujte obrázky z dokumentů v cloudu pomocí Pythonu
• Extrakce obrázků ze souborů PDF pomocí C#