ExportDocumentMarkdown

Texto, extracción, Markdown

Descripción

Exporta un intervalo de páginas PDF seleccionado a una cadena Markdown semántica adecuada para indexación de búsqueda, bases de conocimientos e incorporación en modelos de lenguaje

Sintaxis

Delphi

Function TPDFlib.ExportDocumentMarkdown(Const PageRange: WideString;
  Options: Integer): WideString;

ActiveX

Function PDFlib::ExportDocumentMarkdown(PageRange As String,
  Options As Long) As String

DLL

const wchar_t* DLExportDocumentMarkdown(int InstanceID,
  const wchar_t* PageRange, int Options);
const char* DLExportDocumentMarkdownA(int InstanceID,
  const char* PageRange, int Options);

Parámetros

Valores devueltos

Devuelve el texto Markdown combinado, o una cadena vacía cuando falla la validación, la cancelación o la extracción

Observaciones

El análisis utiliza SetStructuredTextOptions con independencia de las Options específicas de formato; consulte GetLastStructuredTextDiagnostics para conocer las fuentes de lectura y las advertencias de recurso alternativo

El orden real del árbol de etiquetas tiene prioridad cuando las vinculaciones de contenido están completas; el contenido sin resolver o ambiguo conserva el texto extraído en el recurso alternativo mixto o geométrico, y los roles personalizados desconocidos no se adivinan por su nombre

El análisis de todo el documento puede unir fragmentos de tabla de páginas de origen consecutivas e identificar elementos accesorios repetidos en los márgenes; la detección de elementos accesorios predeterminada conserva el texto

Las tablas combinadas o continuadas utilizan una única tabla HTML incrustada, conservan las celdas vacías y omiten los encabezados de continuación repetidos identificados

Con los marcadores de página activados, las páginas normalmente comienzan con <!-- page: N -->; una tabla continuada omite los marcadores dentro de la tabla HTML abierta

Se conserva el orden explícito de las páginas; las selecciones de páginas invertidas o no consecutivas no se unen forzadamente

Los modelos de página seleccionados y el resultado Markdown completo se almacenan en búfer para el análisis de todo el documento; las API de flujo y de archivo también conservan este modelo de análisis y los búferes de salida

La extracción conserva la página seleccionada y la pila de etiquetas del escritor abiertas; las etiquetas del escritor sin guardar se incluyen sin etiquetas de cierre ni finalizar el documento

El progreso y la cancelación cooperativa utilizan el ciclo de vida normal de las operaciones del documento

LastErrorCode es 113 para un intervalo o máscara de opciones no válidos y 517 cuando falla la extracción

Véase también

ExportPageMarkdown, SaveMarkdownToStream, ExtractStructuredDocument