ExtractStructuredPage

Tekst, uttrekk, strukturerte data

Beskrivelse

Renderer én side til en strukturert tekstmodell og serialiserer den som JSON, XHTML eller CSV

Modellen grupperer tekst i avsnitt og oppdagede tabeller, med linjer og stylede spans under avsnitt og rader, celler og spans under tabeller

Syntaks

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);

Parametere

Page	Sidenummeret (fra 1)
Format	`PDF_STRUCTURED_TEXT_JSON` (0), `PDF_STRUCTURED_TEXT_XHTML` (1) eller `PDF_STRUCTURED_TEXT_CSV` (2)
Options	Null eller `PDF_STRUCTURED_TEXT_INCLUDE_STYLES` (1) for å inkludere skrift, størrelse, farge og vertikal justering i JSON og XHTML

JSON-hierarki

{
  "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": [[]]}
  ]
}

Returverdier

JSON og XHTML returnerer komplette selvstendige dokumenter

CSV returnerer kun oppdagede tabeller og er tom når siden ikke har noen tabell

En ugyldig forespørsel eller uttrekksfeil returnerer en tom streng

Merknader

Tekst renderes én gang, og deretter produseres hvert format fra samme mellomliggende hierarki

Tabelloppdagelse slår sammen normale ordmellomrom inne i en celle og krever justerte flercelle-rader, noe som reduserer falske positiver for avsnitt

Avgrensningsbokser bruker øvre-venstre sidekoordinater og angis i PDF-punkter

DLL-returpekere forblir gyldige til neste kall som returnerer streng på samme instans

LastErrorCode er 111 for ugyldig side, format eller alternativer og 515 når uttrekk feiler

Se også

ExtractStructuredDocument, ExtractPageTextBlocks, GetPageText