ExtractStructuredPage

Szöveg, kinyerés, strukturált adatok

Leírás

Egy oldalt strukturált szövegmodellbe renderel, és JSON, XHTML vagy CSV formátumban szerializál

A modell a szöveget bekezdésekbe és észlelt táblázatokba csoportosítja, a bekezdések alatt sorokkal és formázott szakaszokkal, a táblázatok alatt pedig sorokkal, cellákkal és szakaszokkal

Szintaxis

Delphi

Function TPDFlib.ExtractStructuredPage(Page, Format,
  Options: Integer): WideString;

ActiveX

Function PDFlib::ExtractStructuredPage(Page As Long, Format As Long,
  Options As Long) As String

DLL

const wchar_t* DLExtractStructuredPage(int InstanceID, int Page,
  int Format, int Options);
const char* DLExtractStructuredPageA(int InstanceID, int Page,
  int Format, int Options);

Paraméterek

Page	Az egy alapú oldalszám
Format	`PDF_STRUCTURED_TEXT_JSON` (0), `PDF_STRUCTURED_TEXT_XHTML` (1) vagy `PDF_STRUCTURED_TEXT_CSV` (2)
Options	Nulla vagy `PDF_STRUCTURED_TEXT_INCLUDE_STYLES` (1) a betűtípus, méret, szín és függőleges igazítás JSON- és XHTML-formátumban való felvételéhez

JSON-hierarchia

{
  "version": 1,
  "page": 1,
  "width": 612,
  "height": 792,
  "blocks": [
    {"type": "paragraph", "bbox": [40, 50, 300, 70],
     "lines": [{"bbox": [40, 50, 300, 70], "spans": []}]},
    {"type": "table", "columns": 3, "rows": [[]]}
  ]
}

Visszatérési értékek

A JSON és XHTML teljes önálló dokumentumokat ad vissza

A CSV csak az észlelt táblázatokat adja vissza, és üres, ha az oldal nem rendelkezik táblázattal

A CSV csak észlelt táblázatokat ad vissza, és üres, ha az oldal nem tartalmaz táblázatotÉrvénytelen kérés vagy kibontási hiba üres karakterláncot ad vissza

Megjegyzések

A szöveg egyszer renderelődik, majd minden formátum ugyanabból a köztes hierarchiából készülA táblázatfelismerés egy cellán belül összevonja a szokásos szóközöket, és igazított többcellás sorokat igényel, így csökkenti a bekezdések téves felismerését

A befoglaló téglalapok a lap bal felső koordinátáit használják, és PDF-pontokban vannak megadvaA DLL visszatérési mutatói ugyanazon példány következő karakterlánc-visszaadó hívásáig maradnak érvényesek

A befoglaló dobozok bal-felső oldalkoordinátákat használnak, és PDF-pontokban vannak kifejezve

A DLL visszatérési mutatók addig érvényesek, amíg ugyanazon példányon a következő sztring-visszaadó hívás meg nem történik

LastErrorCode értéke 111 érvénytelen oldal, formátum vagy beállítások esetén, és 515, ha a kinyerés sikertelen

Lásd még

ExtractStructuredDocument, ExtractPageTextBlocks, GetPageText