syncfusion-dotnet-smart-data-extraction

Smart Data Extractor — Syncfusion

概述

使用 Syncfusion SmartDataExtractor Library 从 PDF 和图像文件中提取完整的文档结构。 此技能支持一种操作模式——为用户的项目生成 C# 代码。

主要功能

• 文档结构提取：识别文本元素、图像、页眉、页脚、表格和条形码（包括区域、标题行、列、单元格边界和合并单元格）。
• 文件格式支持：支持 PDF 文档和 JPEG、PNG 等常见图像格式。
• 表格提取：专门用于提取表格数据。
• 表单识别：检测并处理结构化表单数据。
• 条形码检测：识别并解码条形码，并提供置信度评分。
• 页面级控制：从指定页面或定义的页面范围提取数据。
• 置信度阈值：根据可配置的置信度评分（0.0–1.0）筛选结果。

先决条件

• 运行提取前，请从 NuGet 安装所需的运行时和库包。

快速入门示例

示例：生成代码

用户：“编写 Program.cs 代码，使用 SmartDataExtractor 从 pdf 提取数据并保存为 JSON。” **结果：**显示 C# 代码片段（不创建文件）

一种模式

模式 1：生成 C# 代码并更新项目文件 (默认)

当用户希望查看、编写、审查、重构或修改与 Smart Data Extractor 处理相关的 C# 代码时，使用此模式。 触发关键词：“show me how”“how to”“how can I”“how do I”“provide code”“provide an example”“give an example”“demonstrate”“code snippet”“sample code”“example”“sample”“give me”“show me”“Program.cs”“example code”“generate code for”“codesnippet”。

工作流：

步骤 1 — 检测应用程序类型并确定所需的 NuGet 包

• 检查工作区项目文件（.csproj、web.config、App.config、Startup.cs、Program.cs 等），并使用 references/nuget-packages.md 中的检测信号表确定应用程序类型。
• 根据检测到的应用程序类型，从 references/nuget-packages.md 中确定正确的 NuGet 包。仅使用 references/nuget-packages.md 中列出的包 ID 和版本——不要从外部来源或常见命名惯例中推荐、查找或推断包名。
• 注意：如果用户明确只要求提取表格数据，则只推荐 references/nuget-packages.md 中列出的 Table Extractor 包，并查看检测到的应用程序类型对应的 ExtractTable 部分。除非用户要求非表格提取或 JSON 转换功能，否则不要推荐或添加更广泛的 SmartDataExtractor 包。

步骤 2 — 将所需的 NuGet 包添加到 .csproj

• 更新项目 .csproj 文件，在 <ItemGroup> 部分使用 <PackageReference> 标签添加已确定的 NuGet 包
• 使用 references/nuget-packages.md 中的准确包名和版本

步骤 3 — 仅根据参考文件生成代码

不要编造、猜测或建议参考文件中未明确列出的任何 API、方法、属性、类或命名空间。

• 阅读与所请求功能相关的 references/*.md 文件
• 严格根据这些文件中的 API 和代码片段编写 C# 代码
• 根据步骤 1 中检测到的应用程序类型选择正确的代码片段变体：
  • Windows 专用应用（WinForms、WPF、.NET Framework Console）→ 使用 Windows 专用代码片段
  • 跨平台应用（ASP.NET Core、.NET Core/.NET 5+ Console、Blazor、MAUI）→ 使用跨平台 / .Net.Core 代码片段

步骤 4 — 使用生成的代码更新 Program.cs

• 将 Program.cs 的全部内容替换为生成的 C# 代码
• 确保包含所有必需的 using 语句
• 不要创建或运行任何 .csx 脚本

---

---

代码参考

所有模板和代码片段都在 references/ 文件夹中：

文件	内容
document-structure.md	快速提取器的设置与使用代码片段
extract-data.md	示例：ExtractDataAsJson、ExtractDataAsMarkdown、ExtractDataAsPdfStream、ExtractDataAsPdfDocument、ExtractDataAsMarkdownDocument、ExtractDataAsWordDocument、ExtractDataAsHtml，以及异步变体
extract-table.md	表格提取示例（ExtractTableAsJson、ExtractTableAsMarkdown）
recognize-forms.md	表单字段识别示例：FormRecognizeOptions、RecognizeFormAsPdfDocument、RecognizeFormAsPdfStream、RecognizeFormAsJson 异步变体
data-options.md	TableExtractionOptions、FormRecognizeOptions、ConfidenceThreshold、PageRange、ExtractDataAsPdfDocument 的说明

---

规则

• 输出文件放在 ./output/ 目录中
• 不要使用参考资料中未列出的任何 API
• 推荐或添加程序包时，只能使用 references/nuget-packages.md 中定义的 NuGet 程序包 ID 和版本。
• 对于仅提取表格的请求，根据检测到的应用类型，只推荐/安装 references/nuget-packages.md 中的表格提取器程序包。