ExtractFilePageText
Extracción, Propiedades de página
Descripción
Extrae el texto de cualquier página de un archivo PDF
Esta función usa internamente la funcionalidad de acceso directo. El archivo completo no se carga en memoria, por lo que se puede usar con documentos de tamaño arbitrariamente grande
Se proporcionan dos métodos diferentes para extraer texto de la página seleccionada en diversos formatos de salida
DASetTextExtractionWordGap, DASetTextExtractionOptions y
Las funciones DASetTextExtractionArea se pueden usar para ajustar el proceso de extracción de texto
Sintaxis
Delphi
Function TPDFlib.ExtractFilePageText(Const InputFileName, Password: WideString; Page, Options: Integer): WideString;ActiveX
Function PDFlib::ExtractFilePageText(InputFileName As String, Password As String, Page As Long, Options As Long) As StringDLL
const wchar_t * DLExtractFilePageText(int InstanceID, const wchar_t * InputFileName, const wchar_t * Password, int Page, int Options);Parámetros
| InputFileName | La ruta y el nombre de archivo del que se extraerá el texto. La contraseña que se usará, si existe, al abrir el archivo |
|---|---|
| Password | El número de la página que se debe extraer La primera página del documento es la página 1 |
| Page | Con el algoritmo estándar de extracción de texto: 0 = Extraer texto en formato legible por humanos 1 = En desuso 2 = Devolver una cadena CSV que incluya fuente, color, tamaño y posición de cada fragmento de texto de la página Con el algoritmo de extracción de texto más preciso pero más lento: 3 = Devolver una cadena CSV para cada fragmento de texto de la página con el formato siguiente: Nombre de fuente, color de texto, tamaño de texto, X1, Y1, X2, Y2, X3, Y3, X4, Y4, texto Las coordenadas son los cuatro puntos que delimitan el texto, medidos mediante las unidades establecidas con la función SetMeasurementUnits y el origen establecido con la función SetOrigin El orden de las coordenadas es en sentido antihorario con la esquina inferior izquierda primero 4 = Similar a la opción 3, pero se devuelven palabras individuales, lo que facilita buscar palabras 5 = Similar a la opción 3, pero se generan anchuras de caracteres después de cada bloque de texto 6 = Similar a la opción 4, pero se generan anchuras de caracteres después de cada línea de texto 7 = Extraer texto en formato legible por humanos con mayor precisión en comparación con la opción 0 8 = Formato de salida similar a la opción 0, pero utilizando el algoritmo más preciso Devuelve líneas sin formato |
| Options |