GetPageText

Εξαγωγή, χειρισμός σελίδων

Περιγραφή

Αυτή η συνάρτηση παρέχει δύο διαφορετικές μεθόδους εξαγωγής κειμένου από την επιλεγμένη σελίδα και παρουσιάζει τα αποτελέσματα σε ποικιλία μορφών

Οι SetTextExtractionWordGap, SetTextExtractionOptions και SetTextExtractionArea

Οι συναρτήσεις μπορούν να χρησιμοποιηθούν για την προσαρμογή της διαδικασίας εξαγωγής κειμένου

Σύνταξη

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);

Παράμετροι

ExtractOptions	Με τον τυπικό αλγόριθμο εξαγωγής κειμένου: 0 = Εξαγωγή κειμένου σε αναγνώσιμη από άνθρωπο μορφή 1 = Deprecated 2 = Επιστροφή συμβολοσειράς CSV με γραμματοσειρά, χρώμα, μέγεθος και θέση κάθε τμήματος κειμένου στη σελίδα Με τον πιο ακριβή αλλά πιο αργό αλγόριθμο εξαγωγής κειμένου: 3 = Επιστροφή συμβολοσειράς CSV για κάθε τμήμα κειμένου στη σελίδα με την ακόλουθη μορφή: Font Name, Text Color, Text Size, X1, Y1, X2, Y2, X3, Y3, X4, Y4, Text Οι συντεταγμένες είναι τα τέσσερα σημεία που περικλείουν το κείμενο, μετρημένα με τις μονάδες που ορίζονται με τη συνάρτηση SetMeasurementUnits και την αρχή που ορίζεται με τη συνάρτηση SetOrigin. Η σειρά συντεταγμένων είναι αριστερόστροφη με πρώτη την κάτω αριστερή γωνία. 4 = Όπως η επιλογή 3, αλλά επιστρέφονται μεμονωμένες λέξεις, διευκολύνοντας την αναζήτηση λέξεων 5 = Όπως η επιλογή 3 αλλά τα πλάτη χαρακτήρων εξάγονται μετά από κάθε block κειμένου 6 = Όπως η επιλογή 4 αλλά τα πλάτη χαρακτήρων εξάγονται μετά από κάθε γραμμή κειμένου 7 = Εξαγωγή κειμένου σε αναγνώσιμη από άνθρωπο μορφή με βελτιωμένη ακρίβεια σε σχέση με την επιλογή 0 8 = Παρόμοια μορφή εξόδου με την επιλογή 0 αλλά με τον πιο ακριβή αλγόριθμο. Επιστρέφει αμορφοποίητες γραμμές. 9 = Εξαγωγή κειμένου σε οπτική σειρά ανάγνωσης: ένας αναδρομικός XY-cut κρατά τις διατάξεις πολλαπλών στηλών στήλη-στήλη αντί να εναλλάσσει γραμμές. 10 = Εξαγωγή με tab διαχωριστικά με επίγνωση πινάκων: οι αριστερές ακμές blocks συγκλίνουν σε παγκόσμιες θέσεις στηλών ώστε κατακόρυφα στοιχισμένα κελιά να μένουν στοιχισμένα μεταξύ γραμμών. 11 = Κείμενο σταθερού πλέγματος με διατήρηση διάταξης: η σελίδα αντιστοιχίζεται σε πλέγμα χαρακτήρων monospace με γέμισμα πραγματικών κενών, διατηρώντας την οπτική στοίχιση χωρίς tab stops

ExtractOptions

Με τον τυπικό αλγόριθμο εξαγωγής κειμένου: 0 = Εξαγωγή κειμένου σε αναγνώσιμη από άνθρωπο μορφή 1 = Deprecated 2 = Επιστροφή συμβολοσειράς CSV με γραμματοσειρά, χρώμα, μέγεθος και θέση κάθε τμήματος κειμένου στη σελίδα Με τον πιο ακριβή αλλά πιο αργό αλγόριθμο εξαγωγής κειμένου: 3 = Επιστροφή συμβολοσειράς CSV για κάθε τμήμα κειμένου στη σελίδα με την ακόλουθη μορφή: Font Name, Text Color, Text Size, X1, Y1, X2, Y2, X3, Y3, X4, Y4, Text Οι συντεταγμένες είναι τα τέσσερα σημεία που περικλείουν το κείμενο, μετρημένα με τις μονάδες που ορίζονται με τη συνάρτηση SetMeasurementUnits και την αρχή που ορίζεται με τη συνάρτηση SetOrigin. Η σειρά συντεταγμένων είναι αριστερόστροφη με πρώτη την κάτω αριστερή γωνία. 4 = Όπως η επιλογή 3, αλλά επιστρέφονται μεμονωμένες λέξεις, διευκολύνοντας την αναζήτηση λέξεων 5 = Όπως η επιλογή 3 αλλά τα πλάτη χαρακτήρων εξάγονται μετά από κάθε block κειμένου 6 = Όπως η επιλογή 4 αλλά τα πλάτη χαρακτήρων εξάγονται μετά από κάθε γραμμή κειμένου 7 = Εξαγωγή κειμένου σε αναγνώσιμη από άνθρωπο μορφή με βελτιωμένη ακρίβεια σε σχέση με την επιλογή 0 8 = Παρόμοια μορφή εξόδου με την επιλογή 0 αλλά με τον πιο ακριβή αλγόριθμο. Επιστρέφει αμορφοποίητες γραμμές. 9 = Εξαγωγή κειμένου σε οπτική σειρά ανάγνωσης: ένας αναδρομικός XY-cut κρατά τις διατάξεις πολλαπλών στηλών στήλη-στήλη αντί να εναλλάσσει γραμμές. 10 = Εξαγωγή με tab διαχωριστικά με επίγνωση πινάκων: οι αριστερές ακμές blocks συγκλίνουν σε παγκόσμιες θέσεις στηλών ώστε κατακόρυφα στοιχισμένα κελιά να μένουν στοιχισμένα μεταξύ γραμμών. 11 = Κείμενο σταθερού πλέγματος με διατήρηση διάταξης: η σελίδα αντιστοιχίζεται σε πλέγμα χαρακτήρων monospace με γέμισμα πραγματικών κενών, διατηρώντας την οπτική στοίχιση χωρίς tab stops

Τιμές επιστροφής

	Το κείμενο της επιλεγμένης σελίδας, ή κενή συμβολοσειρά αν προέκυψε πρόβλημα. Οι γραμμές διαχωρίζονται με χαρακτήρες CR-LF