GetPageTextA

Extracción, manipulación de páginas

Descripción

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

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

SetTextExtractionWordGap, SetTextExtractionOptions y SetTextExtractionArea

se pueden utilizar 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 1 = Obsoleto 2 = Devolver una cadena CSV que incluya la fuente, el color, el tamaño y la posición de cada fragmento de texto de la página Con el algoritmo de extracción más preciso pero más lento: 3 = Devolver una cadena CSV por cada fragmento de texto de la página con el formato: Nombre de fuente, Color del texto, Tamaño del 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 SetMeasurementUnits y el origen establecido mediante SetOrigin. El orden de las coordenadas es antihorario, empezando por la esquina inferior izquierda. 4 = Similar a la opción 3, pero se devuelven palabras individuales para facilitar la búsqueda 5 = Similar a la opción 3, pero se muestran las anchuras de los caracteres después de cada bloque de texto 6 = Similar a la opción 4, pero se muestran las anchuras de los caracteres después de cada línea de texto 7 = Extraer texto en formato legible con mayor precisión que la opción 0 8 = Formato de salida similar al de la opción 0, pero con el algoritmo más preciso. Devuelve líneas sin formato. 9 = Extraer texto en orden visual de lectura: un corte XY recursivo mantiene las disposiciones de varias columnas columna por columna, en vez de intercalar líneas. 10 = Exportación separada por tabuladores que reconoce tablas: los bordes izquierdos de los bloques se agrupan en posiciones globales de columna para mantener alineadas entre filas las celdas alineadas verticalmente. 11 = Texto de cuadrícula fija que conserva la disposición: la página se asigna a una cuadrícula de caracteres monoespaciados rellenada con espacios reales, manteniendo la alineación visual sin tabulaciones

ExtractOptions

Con el algoritmo estándar de extracción de texto: 0 = Extraer texto en formato legible 1 = Obsoleto 2 = Devolver una cadena CSV que incluya la fuente, el color, el tamaño y la posición de cada fragmento de texto de la página Con el algoritmo de extracción más preciso pero más lento: 3 = Devolver una cadena CSV por cada fragmento de texto de la página con el formato: Nombre de fuente, Color del texto, Tamaño del 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 SetMeasurementUnits y el origen establecido mediante SetOrigin. El orden de las coordenadas es antihorario, empezando por la esquina inferior izquierda. 4 = Similar a la opción 3, pero se devuelven palabras individuales para facilitar la búsqueda 5 = Similar a la opción 3, pero se muestran las anchuras de los caracteres después de cada bloque de texto 6 = Similar a la opción 4, pero se muestran las anchuras de los caracteres después de cada línea de texto 7 = Extraer texto en formato legible con mayor precisión que la opción 0 8 = Formato de salida similar al de la opción 0, pero con el algoritmo más preciso. Devuelve líneas sin formato. 9 = Extraer texto en orden visual de lectura: un corte XY recursivo mantiene las disposiciones de varias columnas columna por columna, en vez de intercalar líneas. 10 = Exportación separada por tabuladores que reconoce tablas: los bordes izquierdos de los bloques se agrupan en posiciones globales de columna para mantener alineadas entre filas las celdas alineadas verticalmente. 11 = Texto de cuadrícula fija que conserva la disposición: la página se asigna a una cuadrícula de caracteres monoespaciados rellenada con espacios reales, manteniendo la alineación visual sin tabulaciones

Valores devueltos

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