GetPageText

Extração, Manipulação de páginas

Descrição

Esta função fornece dois métodos diferentes para extrair texto da página selecionada e apresenta os resultados em vários formatos

As funções SetTextExtractionWordGap, SetTextExtractionOptions e SetTextExtractionArea

podem ser usadas para ajustar o processo de extração de texto

Sintaxe

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);

Parâmetros

ExtractOptions	Com o algoritmo padrão de extração de texto: 0 = Extrair texto em formato legível 1 = Obsoleto 2 = Retornar uma string CSV com fonte, cor, tamanho e posição de cada trecho de texto da página Com o algoritmo de extração mais preciso, porém mais lento: 3 = Retornar uma string CSV para cada trecho de texto da página no formato: Font Name, Text Color, Text Size, X1, Y1, X2, Y2, X3, Y3, X4, Y4, Text As coordenadas são os quatro pontos que delimitam o texto, medidos com as unidades definidas pela função SetMeasurementUnits e a origem definida pela função SetOrigin. A ordem das coordenadas é anti-horária, começando pelo canto inferior esquerdo. 4 = Semelhante à opção 3, mas retorna palavras individuais, facilitando a busca por palavras 5 = Semelhante à opção 3, mas as larguras dos caracteres são emitidas após cada bloco de texto 6 = Semelhante à opção 4, mas as larguras dos caracteres são emitidas após cada linha de texto 7 = Extrair texto em formato legível, com precisão melhor que a opção 0 8 = Formato de saída semelhante ao da opção 0, mas usando o algoritmo mais preciso. Retorna linhas sem formatação. 9 = Extract text in visual reading order: a recursive XY-cut keeps multi-column layouts column by column instead of interleaving lines. 10 = Table-aware tab-separated export: block left edges cluster into global column positions so vertically aligned cells stay aligned across rows. 11 = Layout-preserving fixed-grid text: the page maps onto a monospace character grid padded with real spaces, keeping the visual alignment without tab stops.

ExtractOptions

Com o algoritmo padrão de extração de texto: 0 = Extrair texto em formato legível 1 = Obsoleto 2 = Retornar uma string CSV com fonte, cor, tamanho e posição de cada trecho de texto da página Com o algoritmo de extração mais preciso, porém mais lento: 3 = Retornar uma string CSV para cada trecho de texto da página no formato: Font Name, Text Color, Text Size, X1, Y1, X2, Y2, X3, Y3, X4, Y4, Text As coordenadas são os quatro pontos que delimitam o texto, medidos com as unidades definidas pela função SetMeasurementUnits e a origem definida pela função SetOrigin. A ordem das coordenadas é anti-horária, começando pelo canto inferior esquerdo. 4 = Semelhante à opção 3, mas retorna palavras individuais, facilitando a busca por palavras 5 = Semelhante à opção 3, mas as larguras dos caracteres são emitidas após cada bloco de texto 6 = Semelhante à opção 4, mas as larguras dos caracteres são emitidas após cada linha de texto 7 = Extrair texto em formato legível, com precisão melhor que a opção 0 8 = Formato de saída semelhante ao da opção 0, mas usando o algoritmo mais preciso. Retorna linhas sem formatação. 9 = Extract text in visual reading order: a recursive XY-cut keeps multi-column layouts column by column instead of interleaving lines. 10 = Table-aware tab-separated export: block left edges cluster into global column positions so vertically aligned cells stay aligned across rows. 11 = Layout-preserving fixed-grid text: the page maps onto a monospace character grid padded with real spaces, keeping the visual alignment without tab stops.

Valores retornados

	O texto da página selecionada, ou uma string vazia se houver problema. As linhas são separadas pelos caracteres CR-LF.