ExtractStructuredPage

Tekst, udtræk, strukturerede data

Beskrivelse

Gengiver én side til en struktureret tekstmodel og serialiserer den som JSON, XHTML eller CSV

Modellen grupperer tekst i afsnit og registrerede tabeller med linjer og typograferede tekststykker under afsnit og rækker, celler og tekststykker under tabeller

Syntaks

Delphi

Function TPDFlib.ExtractStructuredPage(Page, Format,
  Options: Integer): WideString;

ActiveX

Function PDFlib::ExtractStructuredPage(Page As Long, Format As Long,
  Options As Long) As String

DLL

const wchar_t* DLExtractStructuredPage(int InstanceID, int Page,
  int Format, int Options);
const char* DLExtractStructuredPageA(int InstanceID, int Page,
  int Format, int Options);

Parametre

Page	Det 1-baserede sidenummer
Format	`PDF_STRUCTURED_TEXT_JSON` (0), `PDF_STRUCTURED_TEXT_XHTML` (1) eller `PDF_STRUCTURED_TEXT_CSV` (2)
Options	Nul eller `PDF_STRUCTURED_TEXT_INCLUDE_STYLES` (1) for at medtage skrifttype, størrelse, farve og lodret justering i JSON og XHTML

JSON-hierarki

{
  "version": 1,
  "page": 1,
  "width": 612,
  "height": 792,
  "blocks": [
    {"type": "paragraph", "bbox": [40, 50, 300, 70],
     "lines": [{"bbox": [40, 50, 300, 70], "spans": []}]},
    {"type": "table", "columns": 3, "rows": [[]]}
  ]
}

Returværdier

JSON og XHTML returnerer komplette selvstændige dokumenter

CSV returnerer kun registrerede tabeller og er tom, når siden ikke indeholder nogen tabel

En ugyldig anmodning eller udtræksfejl returnerer en tom streng

Bemærkninger

Teksten gengives én gang, og derefter fremstilles hvert format ud fra det samme mellemliggende hierarki

Tabelregistrering fletter normale mellemrum mellem ord i en celle og kræver justerede rækker med flere celler, hvilket reducerer falske positive resultater for afsnit

Afgrænsningsrammer bruger sidekoordinater med øverste venstre hjørne som udgangspunkt og udtrykkes i PDF-punkter

DLL-returmarkører forbliver gyldige indtil det næste strengreturnerende kald på samme instans

LastErrorCode er 111 ved ugyldig side, format eller indstillinger og 515, når udtrækningen mislykkes

Se også

ExtractStructuredDocument, ExtractPageTextBlocks, GetPageText