GetPageTextA

Extracción, manipulación de páginas

Descripción

La A final indica el punto de entrada ANSI (char) de DLL; la interfaz ActiveX/COM expone solo la forma Unicode. El comportamiento es idéntico a GetPageText y los argumentos de cadena se interpretan mediante la página de códigos actual de SetAnsiMode

Esta función proporciona dos métodos distintos para extraer texto de la página seleccionada y presenta los resultados en diversos formatos

SetTextExtractionWordGap, SetTextExtractionOptions y SetTextExtractionArea

las funciones pueden usarse para ajustar el proceso de extracción de texto

Sintaxis

Delphi

Function DLGetPageTextA(InstanceID, ExtractOptions: Integer): PAnsiChar;

DLL

const char * DLGetPageTextA(int InstanceID, int ExtractOptions);

Parámetros

ExtractOptions	Con el algoritmo estándar de extracción de texto: 0 = Extraer texto en formato legible para humanos 1 = Obsoleto 2 = Devolver una cadena CSV que incluye 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 siguiente formato: 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 con las unidades establecidas mediante la función SetMeasurementUnits y el origen establecido mediante la función SetOrigin. El orden de coordenadas es antihorario con la esquina inferior izquierda primero. 4 = Similar a la opción 3, pero se devuelven palabras individuales, lo que facilita la búsqueda de palabras 5 = Similar a la opción 3, pero se generan los anchos de caracteres después de cada bloque de texto 6 = Similar a la opción 4, pero se generan los anchos de caracteres después de cada línea de texto 7 = Extraer texto en formato legible para humanos con precisión mejorada respecto de la opción 0 8 = Formato de salida similar a la opción 0, pero usa el algoritmo más preciso. Devuelve líneas sin formato. 9 = Extraer texto en orden de lectura visual: un corte XY recursivo mantiene los diseños de varias columnas columna por columna en lugar de intercalar líneas. 10 = Exportación separada por tabulaciones con reconocimiento de tablas: los bordes izquierdos de bloques se agrupan en posiciones de columna globales para que las celdas alineadas verticalmente permanezcan alineadas entre filas. 11 = Texto de cuadrícula fija que conserva el diseño: la página se asigna a una cuadrícula de caracteres monoespaciados rellenada con espacios reales, preservando la alineación visual sin tabulaciones

ExtractOptions

Con el algoritmo estándar de extracción de texto: 0 = Extraer texto en formato legible para humanos 1 = Obsoleto 2 = Devolver una cadena CSV que incluye 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 siguiente formato: 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 con las unidades establecidas mediante la función SetMeasurementUnits y el origen establecido mediante la función SetOrigin. El orden de coordenadas es antihorario con la esquina inferior izquierda primero. 4 = Similar a la opción 3, pero se devuelven palabras individuales, lo que facilita la búsqueda de palabras 5 = Similar a la opción 3, pero se generan los anchos de caracteres después de cada bloque de texto 6 = Similar a la opción 4, pero se generan los anchos de caracteres después de cada línea de texto 7 = Extraer texto en formato legible para humanos con precisión mejorada respecto de la opción 0 8 = Formato de salida similar a la opción 0, pero usa el algoritmo más preciso. Devuelve líneas sin formato. 9 = Extraer texto en orden de lectura visual: un corte XY recursivo mantiene los diseños de varias columnas columna por columna en lugar de intercalar líneas. 10 = Exportación separada por tabulaciones con reconocimiento de tablas: los bordes izquierdos de bloques se agrupan en posiciones de columna globales para que las celdas alineadas verticalmente permanezcan alineadas entre filas. 11 = Texto de cuadrícula fija que conserva el diseño: la página se asigna a una cuadrícula de caracteres monoespaciados rellenada con espacios reales, preservando la alineación visual sin tabulaciones

Valores devueltos

	El texto de la página seleccionada, o una cadena vacía si ocurrió un problema. Las líneas se separan con caracteres CR-LF