GetPageText

Poiminta, sivujen käsittely

Kuvaus

Tämä funktio tarjoaa kaksi eri tapaa poimia tekstiä valitulta sivulta ja esittää tulokset useissa eri muodoissa

Funktiot SetTextExtractionWordGap, SetTextExtractionOptions ja SetTextExtractionArea

ovat käytettävissä tekstinnoston prosessin säätämiseen

Syntaksi

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);

Parametrit

ExtractOptions	Vakiintuneella tekstinnoston algoritmilla: 0 = poimi teksti ihmisluettavassa muodossa 1 = vanhentunut 2 = palauttaa CSV-merkkijonon, joka sisältää jokaisen sivun tekstipalan fontin, värin, koon ja sijainnin Tarkemmalla mutta hitaammalla tekstinnoston algoritmilla: 3 = palauttaa CSV-merkkijonon jokaiselle sivun tekstipalalle muodossa: Font Name, Text Color, Text Size, X1, Y1, X2, Y2, X3, Y3, X4, Y4, Text Koordinaatit ovat tekstiä ympäröivät neljä pistettä, mitattuna SetMeasurementUnits-funktiolla valitussa yksikössä ja SetOrigin-funktiolla valitun origon mukaan. Järjestys on vastapäivään niin, että vasen alakulma tulee ensin. 4 = kuten vaihtoehto 3, mutta palauttaa yksittäisiä sanoja, mikä helpottaa sanahakua 5 = kuten vaihtoehto 3, mutta merkkien leveydet tulostetaan jokaisen tekstilohkon jälkeen 6 = kuten vaihtoehto 4, mutta merkkien leveydet tulostetaan jokaisen tekstirivin jälkeen 7 = poimi teksti ihmisluettavassa muodossa tarkemmin kuin vaihtoehto 0 8 = sama tulostusmuoto kuin vaihtoehdossa 0, mutta tarkemmalla algoritmilla. Palauttaa muotoilemattomia rivejä 9 = poimii tekstiä visuaalisessa lukujärjestyksessä: rekursiivinen XY-leikkaus pitää monipalstaiset asettelut palsta kerrallaan rivien lomittumisen sijaan 10 = taulukot huomioiva sarkaineroteltu vienti: lohkojen vasemmat reunat ryhmittäytyvät globaaleihin sarakkeisiin niin, että pystysuunnassa linjatut solut pysyvät linjassa riveittäin 11 = asettelun säilyttävä kiinteä ruudukko: sivu kuvautuu tasalevyiselle merkkiruudukolle, täytettynä oikeilla välilyönneillä, jolloin visuaalinen linjaus säilyy ilman sarkainkohtia

ExtractOptions

Vakiintuneella tekstinnoston algoritmilla: 0 = poimi teksti ihmisluettavassa muodossa 1 = vanhentunut 2 = palauttaa CSV-merkkijonon, joka sisältää jokaisen sivun tekstipalan fontin, värin, koon ja sijainnin Tarkemmalla mutta hitaammalla tekstinnoston algoritmilla: 3 = palauttaa CSV-merkkijonon jokaiselle sivun tekstipalalle muodossa: Font Name, Text Color, Text Size, X1, Y1, X2, Y2, X3, Y3, X4, Y4, Text Koordinaatit ovat tekstiä ympäröivät neljä pistettä, mitattuna SetMeasurementUnits-funktiolla valitussa yksikössä ja SetOrigin-funktiolla valitun origon mukaan. Järjestys on vastapäivään niin, että vasen alakulma tulee ensin. 4 = kuten vaihtoehto 3, mutta palauttaa yksittäisiä sanoja, mikä helpottaa sanahakua 5 = kuten vaihtoehto 3, mutta merkkien leveydet tulostetaan jokaisen tekstilohkon jälkeen 6 = kuten vaihtoehto 4, mutta merkkien leveydet tulostetaan jokaisen tekstirivin jälkeen 7 = poimi teksti ihmisluettavassa muodossa tarkemmin kuin vaihtoehto 0 8 = sama tulostusmuoto kuin vaihtoehdossa 0, mutta tarkemmalla algoritmilla. Palauttaa muotoilemattomia rivejä 9 = poimii tekstiä visuaalisessa lukujärjestyksessä: rekursiivinen XY-leikkaus pitää monipalstaiset asettelut palsta kerrallaan rivien lomittumisen sijaan 10 = taulukot huomioiva sarkaineroteltu vienti: lohkojen vasemmat reunat ryhmittäytyvät globaaleihin sarakkeisiin niin, että pystysuunnassa linjatut solut pysyvät linjassa riveittäin 11 = asettelun säilyttävä kiinteä ruudukko: sivu kuvautuu tasalevyiselle merkkiruudukolle, täytettynä oikeilla välilyönneillä, jolloin visuaalinen linjaus säilyy ilman sarkainkohtia

Paluuarvot

	Valitun sivun teksti tai tyhjä merkkijono, jos tapahtui ongelma. Rivit erotellaan CR-LF-merkeillä