ExtractStructuredDocument

النص، الاستخراج، البيانات المهيكلة

الوصف

يلتقط مدى صفحات محددًا ويحلل الصفحات معًا ويعيد مستند JSON واحدًا بمخطط الإصدار 2 أو مستند XHTML دلاليًا واحدًا أو جداول CSV منسقة

الصيغة

Delphi

Function TPDFlib.ExtractStructuredDocument(Const PageRange: WideString;
  Format, Options: Integer): WideString;

ActiveX

Function PDFlib::ExtractStructuredDocument(PageRange As String,
  Format As Long, Options As Long) As String

DLL

const wchar_t* DLExtractStructuredDocument(int InstanceID,
  const wchar_t* PageRange, int Format, int Options);
const char* DLExtractStructuredDocumentA(int InstanceID,
  const char* PageRange, int Format, int Options);

المعاملات

PageRange	مدى صفحات يبدأ من 1 مثل `1-3,7`، أو سلسلة فارغة لكل الصفحات
Format	`PDF_STRUCTURED_TEXT_JSON` (0)، أو `PDF_STRUCTURED_TEXT_XHTML` (1)، أو `PDF_STRUCTURED_TEXT_CSV` (2)
Options	صفر أو `PDF_STRUCTURED_TEXT_INCLUDE_STYLES`‏ (1)

قيم الإرجاع

يحتوي JSON على version: 2 ومصفوفة pages تستخدم المخطط الموثق في ExtractStructuredPage؛ وتنطبق معرفات العقد الدلالية المستقرة عبر الصفحات

يجمع XHTML المحتوى الدلالي مع إبقاء مقاطع الجداول الموصولة داخل جدول واحد بدلًا من اشتراط قسم لكل صفحة

يحوي CSV الجداول فقط ويكون فارغًا حين لا تملك أي صفحة محددة جدولًا؛ وتستخدم الجداول المنطقية المتابعة رأس جدول واحد وتحذف صفوف الرأس المتكررة المحددة

المدى أو الصيغة أو الخيار غير الصالح وأي إخفاق في الاستخراج يعيد سلسلة فارغة

ملاحظات

يستخدم التحليل SetStructuredTextOptions باستقلال عن Options الخاصة بكل صيغة؛ وافحص GetLastStructuredTextDiagnostics لمعرفة مصادر القراءة وتحذيرات الاحتياط

يقدَم ترتيب شجرة الوسوم الحقيقي حين تكتمل روابط المحتوى؛ ويحتفظ المحتوى غير المحلول أو الملتبس بالنص المستخرج في الاحتياط المختلط أو الهندسي، ولا تُخمَّن الأدوار المخصصة المجهولة من أسمائها

يحدد التحليل العابر للصفحات عناصر الهوامش المتكررة ومتابعات الجداول المتوافقة؛ وتحدد الأعلام الافتراضية عناصر الصفحة الزخرفية مع حفظ نصها

تحتفظ الخلايا الموسومة بالمحتوى الفارغ وامتدادات الصفوف والأعمدة الصريحة؛ وتعود شبكات الجداول المشوهة أو المتداخلة إلى الاحتياط مع حفظ النص المستخرج

تُحتفظ بنماذج الصفحات المحددة من أجل التحليل على مستوى المستند، وتُخزَّن النتيجة المُسلسَلة كاملة مؤقتًا؛ وتنمو الذاكرة مع المحتوى المحدد وحجم المخرجات

يحافظ الاستخراج على الصفحة المحددة ومكدس وسوم الكاتب المفتوحة؛ وتُدرج وسوم الكاتب غير المحفوظة الحالية دون وسوم إغلاق أو إنهاء للمستند

يستخدم التقدم والإلغاء التعاوني دورة حياة عملية المستند الاعتيادية

تساوي LastErrorCode القيمة 111 لمدخل غير صالح والقيمة 515 عند إخفاق الاستخراج

انظر أيضًا

ExtractStructuredPage, ExtractPageRangeText