GetPageText

Extrakce, manipulace se stránkami

Popis

Tato funkce nabízí dvě různé metody extrakce textu z vybrané stránky a výsledky prezentuje v řadě formátů

Funkce SetTextExtractionWordGap, SetTextExtractionOptions a SetTextExtractionArea

lze použít k úpravě procesu extrakce textu

Syntaxe

Delphi

Function TPDFlib.GetPageText(ExtractOptions: Integer): WideString;

ActiveX

Function PDFlib::GetPageText(ExtractOptions As Long) As String

DLL

const wchar_t * DLGetPageText(int InstanceID, int ExtractOptions);

Parametry

ExtractOptions	Při použití standardního algoritmu extrakce textu: 0 = Extrahovat text v lidsky čitelném formátu 1 = Zastaralé 2 = Vrátit řetězec CSV obsahující font, barvu, velikost a pozici každé části textu na stránce Při použití přesnějšího, ale pomalejšího algoritmu extrakce textu: 3 = Vrátit řetězec CSV pro každou část textu na stránce v tomto formátu: Font Name, Text Color, Text Size, X1, Y1, X2, Y2, X3, Y3, X4, Y4, Text Souřadnice jsou čtyři body ohraničující text, měřené v jednotkách nastavených funkcí SetMeasurementUnits s počátkem nastaveným funkcí SetOrigin. Pořadí souřadnic je proti směru hodinových ručiček, počínaje levým dolním rohem. 4 = Podobné volbě 3, ale vrací jednotlivá slova, což usnadňuje hledání slov 5 = Podobné volbě 3, ale po každém bloku textu se vypíší šířky znaků 6 = Podobné volbě 4, ale šířky znaků se vypíší po každém řádku textu 7 = Extrahovat text v lidsky čitelném formátu s vyšší přesností než volba 0 8 = Podobný formát výstupu jako volba 0, ale s přesnějším algoritmem. Vrací neformátované řádky. 9 = Extrahovat text ve vizuálním pořadí čtení: rekurzivní XY-cut ponechá více-sloupcová rozvržení sloupec po sloupci místo prokládání řádků. 10 = Export oddělený tabulátory s ohledem na tabulky: levé hrany bloků se seskupí do globálních pozic sloupců, takže svisle zarovnané buňky zůstanou zarovnané napříč řádky. 11 = Text na pevné mřížce zachovávající rozvržení: stránka se mapuje na znakovou mřížku monospace doplněnou skutečnými mezerami a zachová vizuální zarovnání bez tabulátorů

ExtractOptions

Při použití standardního algoritmu extrakce textu: 0 = Extrahovat text v lidsky čitelném formátu 1 = Zastaralé 2 = Vrátit řetězec CSV obsahující font, barvu, velikost a pozici každé části textu na stránce Při použití přesnějšího, ale pomalejšího algoritmu extrakce textu: 3 = Vrátit řetězec CSV pro každou část textu na stránce v tomto formátu: Font Name, Text Color, Text Size, X1, Y1, X2, Y2, X3, Y3, X4, Y4, Text Souřadnice jsou čtyři body ohraničující text, měřené v jednotkách nastavených funkcí SetMeasurementUnits s počátkem nastaveným funkcí SetOrigin. Pořadí souřadnic je proti směru hodinových ručiček, počínaje levým dolním rohem. 4 = Podobné volbě 3, ale vrací jednotlivá slova, což usnadňuje hledání slov 5 = Podobné volbě 3, ale po každém bloku textu se vypíší šířky znaků 6 = Podobné volbě 4, ale šířky znaků se vypíší po každém řádku textu 7 = Extrahovat text v lidsky čitelném formátu s vyšší přesností než volba 0 8 = Podobný formát výstupu jako volba 0, ale s přesnějším algoritmem. Vrací neformátované řádky. 9 = Extrahovat text ve vizuálním pořadí čtení: rekurzivní XY-cut ponechá více-sloupcová rozvržení sloupec po sloupci místo prokládání řádků. 10 = Export oddělený tabulátory s ohledem na tabulky: levé hrany bloků se seskupí do globálních pozic sloupců, takže svisle zarovnané buňky zůstanou zarovnané napříč řádky. 11 = Text na pevné mřížce zachovávající rozvržení: stránka se mapuje na znakovou mřížku monospace doplněnou skutečnými mezerami a zachová vizuální zarovnání bez tabulátorů

Návratové hodnoty

	Text vybrané stránky, nebo prázdný řetězec, kdyby nastal problém. Řádky se oddělují znaky CR-LF